Tổng quan nghiên cứu

Nhận dạng sinh trắc học ngày càng trở nên thiết yếu trong các hệ thống an ninh và xác thực hiện đại, với nhu cầu về tốc độ, độ tin cậy và tự động hóa ngày càng cao. Trong số các phương pháp nhận dạng sinh trắc học, nhận dạng mống mắt được đánh giá là có độ chính xác và tính ổn định vượt trội nhờ đặc điểm hoa văn mống mắt độc nhất và không thay đổi theo thời gian. Theo ước tính, đường kính trung bình của mống mắt là khoảng 12 mm, với các đặc điểm hoa văn được hình thành từ tháng thứ ba của thai nhi và hoàn thiện trong năm đầu đời, không phụ thuộc vào yếu tố di truyền. Điều này làm cho mống mắt trở thành một đặc điểm sinh trắc học tối ưu, khó bị làm giả và dễ dàng thu thập bằng thiết bị camera.

Luận văn tập trung xây dựng hệ thống sinh trắc học nhận dạng mống mắt sử dụng kỹ thuật Empirical Mode Decomposition (EMD) để trích xuất đặc trưng từ dữ liệu mống mắt. Mục tiêu chính là phát triển một phương pháp nhận dạng mống mắt tự động, hiệu quả, có khả năng giảm nhiễu và nâng cao độ chính xác so với các phương pháp truyền thống như lọc Gabor. Nghiên cứu được thực hiện trong phạm vi dữ liệu thu thập tại Trường Đại học Bách Khoa, Đại học Quốc gia TP.HCM, với thời gian hoàn thành luận văn vào năm 2013. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu suất các hệ thống nhận dạng sinh trắc học, đặc biệt trong các ứng dụng an ninh, kiểm soát truy cập và xác thực cá nhân.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

  1. Nhận dạng mống mắt theo mô hình Daugman: Đây là hệ thống nhận dạng mống mắt tiêu chuẩn, sử dụng bộ lọc Gabor để trích xuất đặc trưng từ ảnh mống mắt đã được phân đoạn và chuẩn hóa. Mống mắt được xác định qua các vòng tròn đồng tâm giữa đồng tử và mống mắt, sau đó dữ liệu được chuẩn hóa từ dạng hình tròn sang ma trận hình chữ nhật để thuận tiện cho xử lý.

  2. Empirical Mode Decomposition (EMD): Là kỹ thuật phân tích tín hiệu phi tuyến và không ổn định, EMD phân tách tín hiệu thành các thành phần Intrinsic Mode Functions (IMFs) và phần dư (residual). Mỗi IMF đại diện cho một đặc trưng tần số riêng biệt của tín hiệu gốc. Trong nghiên cứu, EMD được áp dụng để trích xuất đặc trưng từ dữ liệu mống mắt nhằm giảm nhiễu và tăng độ chính xác nhận dạng.

Các khái niệm chính bao gồm:

  • Intrinsic Mode Functions (IMFs): Thành phần tín hiệu thu được sau phân rã EMD, thỏa mãn điều kiện số điểm cực trị và điểm không bằng nhau hoặc chênh lệch tối đa một.
  • Region of Interest (ROI): Miền thuận lợi trên ảnh mống mắt được chọn để xử lý, thường là một nửa vùng chuẩn hóa nhằm loại bỏ ảnh hưởng của mí mắt.
  • Hough Circle Transform (HCT): Thuật toán xác định tâm và bán kính các vòng tròn đồng tử và mống mắt dựa trên các điểm biên được phát hiện bằng bộ lọc Canny.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là ảnh mống mắt thu thập bằng webcam Microsoft LifeCam Studio với độ phân giải Full HD, kết nối trực tiếp với máy tính qua USB. Ảnh chân dung người dùng được chụp bằng điện thoại Samsung Galaxy S, kết nối qua phần mềm IP Webcam qua wifi. Hệ thống chiếu sáng sử dụng đèn LED 5V với điện trở hạn dòng 47Ω để đảm bảo độ ổn định.

Quy trình nghiên cứu gồm các bước:

  1. Thu thập ảnh mống mắt và ảnh chân dung.
  2. Phân đoạn ảnh mống mắt bằng bộ lọc Canny để phát hiện biên, xác định tâm và bán kính đồng tử, mống mắt bằng Hough Circle Transform.
  3. Chuẩn hóa ảnh mống mắt từ dạng hình tròn sang ma trận hình chữ nhật.
  4. Trích xuất đặc trưng bằng phương pháp EMD, phân tách tín hiệu thành các IMFs và residual.
  5. Lựa chọn các IMFs phù hợp làm vector mẫu dữ liệu.
  6. So sánh vector mẫu với cơ sở dữ liệu bằng ba phương pháp: Mean Euclidean Distance, Hamming Distance và một phương pháp so sánh khác.
  7. Đánh giá kết quả nhận dạng qua giao diện GUI Matlab.

Cỡ mẫu nghiên cứu khoảng 32 ảnh mống mắt chuẩn hóa với kích thước 64x512 pixel, chọn ROI kích thước 32x512 pixel. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên từ dữ liệu thu thập tại trường. Phân tích dữ liệu sử dụng Matlab với các thuật toán xử lý ảnh và phân tích tín hiệu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả của EMD trong trích xuất đặc trưng mống mắt: Các IMFs và phần residual được chọn lọc có khả năng giảm nhiễu và giữ lại thông tin quan trọng của mống mắt. Ví dụ, IMF đầu tiên thường chứa nhiều nhiễu tần số cao, trong khi các IMF cuối cùng chứa đặc trưng chính xác hơn. Việc lựa chọn IMF từ thứ 2 đến thứ 7 làm vector mẫu giúp tăng độ chính xác nhận dạng.

  2. So sánh ba phương pháp đo độ tương đồng: Mean Euclidean Distance, Hamming Distance và phương pháp so sánh khác cho kết quả gần như tương đương, với tỷ lệ nhận dạng chính xác đạt khoảng 98,4% trên cơ sở dữ liệu thử nghiệm gồm khoảng 6.000 ảnh mống mắt. Điều này chứng minh tính khả thi và ổn định của phương pháp.

  3. Độ chính xác nhận dạng cao trong điều kiện thực tế: Hệ thống sử dụng thiết bị chiếu sáng LED và webcam Full HD cho phép thu được ảnh mống mắt rõ nét, giảm thiểu ảnh hưởng của ánh sáng môi trường. Tỷ lệ nhận dạng chính xác trong thử nghiệm thực tế đạt trên 95%, phù hợp với các ứng dụng an ninh và kiểm soát truy cập.

  4. Tính ổn định của hệ thống qua các lần chụp khác nhau: Kết quả phân tích EMD trên các ảnh mống mắt của cùng một người cho thấy sự tương đồng cao giữa các IMFs, trong khi ảnh của người khác có sự khác biệt rõ rệt. Điều này khẳng định tính ổn định và độ tin cậy của phương pháp.

Thảo luận kết quả

Nguyên nhân chính giúp phương pháp EMD đạt hiệu quả cao là khả năng phân tách tín hiệu mống mắt thành các thành phần tần số khác nhau, từ đó loại bỏ nhiễu và giữ lại đặc trưng quan trọng. So với phương pháp truyền thống dùng lọc Gabor, EMD không yêu cầu giả định tuyến tính và ổn định của tín hiệu, phù hợp hơn với dữ liệu mống mắt thực tế có tính phi tuyến và biến đổi.

Kết quả tương đồng giữa ba phương pháp so sánh dữ liệu cho thấy tính ổn định của vector mẫu trích xuất bằng EMD, đồng thời cung cấp nhiều lựa chọn cho việc thiết kế hệ thống nhận dạng tùy theo yêu cầu về tốc độ và độ chính xác.

Biểu đồ so sánh các IMFs giữa các ảnh cùng người và khác người có thể minh họa rõ ràng sự khác biệt đặc trưng, hỗ trợ trực quan cho việc phân biệt cá nhân. Bảng thống kê tỷ lệ nhận dạng chính xác theo từng phương pháp cũng giúp đánh giá hiệu quả tổng thể của hệ thống.

Đề xuất và khuyến nghị

  1. Tăng cường thu thập dữ liệu đa dạng: Mở rộng cơ sở dữ liệu với nhiều đối tượng và điều kiện ánh sáng khác nhau để nâng cao khả năng tổng quát của hệ thống. Thời gian thực hiện trong 6-12 tháng, do phòng thí nghiệm và các trung tâm an ninh phối hợp thực hiện.

  2. Phát triển thuật toán chọn lọc IMF tự động: Xây dựng thuật toán tự động lựa chọn các IMFs phù hợp nhất cho từng ảnh mống mắt nhằm tối ưu hóa hiệu suất nhận dạng. Mục tiêu giảm thời gian xử lý xuống dưới 1 giây, thực hiện trong 3-6 tháng bởi nhóm nghiên cứu phần mềm.

  3. Tích hợp hệ thống nhận dạng mống mắt vào thiết bị di động: Phát triển ứng dụng trên smartphone để mở rộng phạm vi sử dụng trong các dịch vụ công cộng và thương mại. Thời gian phát triển dự kiến 12 tháng, phối hợp với các công ty công nghệ.

  4. Nâng cấp phần cứng chiếu sáng và thu ảnh: Sử dụng các thiết bị camera có độ phân giải cao hơn và hệ thống chiếu sáng đa phổ để cải thiện chất lượng ảnh mống mắt, giảm ảnh hưởng của điều kiện môi trường. Thời gian thực hiện 6 tháng, do bộ phận kỹ thuật đảm nhận.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành Tự động hóa, Xử lý ảnh và Nhận dạng sinh trắc học: Luận văn cung cấp cơ sở lý thuyết và phương pháp thực nghiệm chi tiết về nhận dạng mống mắt sử dụng EMD, hỗ trợ nghiên cứu và phát triển các hệ thống tương tự.

  2. Các công ty phát triển hệ thống an ninh và kiểm soát truy cập: Tham khảo để áp dụng công nghệ nhận dạng mống mắt hiệu quả, nâng cao độ chính xác và tính ổn định của sản phẩm.

  3. Cơ quan quản lý và tổ chức an ninh công cộng: Sử dụng kết quả nghiên cứu để triển khai các hệ thống nhận dạng cá nhân tự động, phục vụ kiểm soát an ninh tại sân bay, ngân hàng, và các khu vực nhạy cảm.

  4. Nhà phát triển phần mềm và thiết bị di động: Áp dụng thuật toán trích xuất đặc trưng EMD và các phương pháp so sánh dữ liệu để tích hợp vào ứng dụng di động, mở rộng phạm vi sử dụng công nghệ sinh trắc học.

Câu hỏi thường gặp

  1. Phương pháp EMD có ưu điểm gì so với lọc Gabor trong nhận dạng mống mắt?
    EMD không yêu cầu tín hiệu phải tuyến tính và ổn định, có khả năng phân tách tín hiệu thành các thành phần tần số riêng biệt, giúp giảm nhiễu hiệu quả hơn. Ví dụ, trong nghiên cứu, EMD giúp loại bỏ nhiễu tần số cao trong IMF đầu tiên, nâng cao độ chính xác nhận dạng.

  2. Làm thế nào để xác định vùng ROI trên ảnh mống mắt?
    ROI thường được chọn là một nửa vùng chuẩn hóa của ảnh mống mắt (kích thước 32x512 pixel trong nghiên cứu) nhằm loại bỏ ảnh hưởng của mí mắt và các vùng không liên quan, giúp tập trung xử lý vào phần chứa đặc trưng quan trọng.

  3. Ba phương pháp so sánh dữ liệu nào được sử dụng và hiệu quả ra sao?
    Ba phương pháp gồm Mean Euclidean Distance, Hamming Distance và một phương pháp so sánh khác. Cả ba đều đạt hiệu suất tương đương với tỷ lệ nhận dạng chính xác khoảng 98,4%, cho thấy tính ổn định và khả năng ứng dụng rộng rãi.

  4. Hệ thống có thể hoạt động trong điều kiện ánh sáng yếu không?
    Hệ thống sử dụng đèn LED chiếu sáng và hộp chắn sáng mica giúp kiểm soát ánh sáng môi trường, đảm bảo thu được ảnh mống mắt rõ nét ngay cả trong điều kiện ánh sáng yếu, từ đó duy trì độ chính xác nhận dạng cao.

  5. Thời gian xử lý một ảnh mống mắt là bao lâu?
    Thời gian xử lý trung bình dưới 1 giây trên máy tính sử dụng Matlab, bao gồm các bước phân đoạn, chuẩn hóa, trích xuất đặc trưng bằng EMD và so sánh với cơ sở dữ liệu, phù hợp với yêu cầu ứng dụng thực tế.

Kết luận

  • Phương pháp nhận dạng mống mắt sử dụng Empirical Mode Decomposition (EMD) cho phép trích xuất đặc trưng hiệu quả, giảm nhiễu và nâng cao độ chính xác nhận dạng.
  • Các IMFs và phần residual được lựa chọn phù hợp đóng vai trò quan trọng trong việc đại diện thông tin đặc trưng của mống mắt.
  • Ba phương pháp so sánh dữ liệu được áp dụng đều đạt hiệu suất cao, với tỷ lệ nhận dạng chính xác trên 98%.
  • Hệ thống phần cứng gồm webcam Full HD, đèn LED chiếu sáng và thiết bị chụp ảnh chân dung được thiết kế phù hợp, đảm bảo chất lượng dữ liệu đầu vào.
  • Các bước tiếp theo bao gồm mở rộng cơ sở dữ liệu, phát triển thuật toán tự động chọn IMF, tích hợp hệ thống vào thiết bị di động và nâng cấp phần cứng chiếu sáng.

Để ứng dụng và phát triển thêm, các nhà nghiên cứu và doanh nghiệp được khuyến khích tiếp cận và triển khai phương pháp này trong các hệ thống nhận dạng sinh trắc học hiện đại.