Luận văn thạc sĩ: Nâng cao kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc

Luận văn thạc sĩ VNU UET nghiên cứu nâng cao kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc, góp phần phát triển công nghệ nhận diện.

• Tác giả: Lê Hồng Hải
• Người hướng dẫn: PGS. Nguyễn Ngọc Hóa
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nâng cao kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: KHÁI QUÁT VỀ ĐỐI SÁNH VÂN TAY DỰA TRÊN ĐIỂM CHẠC
• 1.1. Hệ thống nhận dạng vân tay tự động
• 1.2. Đặc trưng trích xuất từ ảnh vân tay
• 1.3. Thu ảnh vân tay từ bộ cảm biến
• 1.4. Nâng cao chất lượng ảnh vân tay
• 1.5. Tách đặc trưng điểm chạc
• 1.6. Bài toán đối sánh vân tay dựa trên điểm chạc
• 1.6.1. Phát biểu bài toán
• 1.6.2. Một số khó khăn trong quá trình đối sánh
• 1.6.3. Giá trị tương đồng giữa hai ảnh vân tay
• 1.6.4. Đánh giá kết quả hệ thống nhận dạng vân tay
• 1.7. Một số nghiên cứu đối sánh vân tay dựa trên điểm chạc
• 1.7.1. Đối sánh toàn cục
• 1.7.2. Đối sánh cục bộ
• 1.7.3. Một số cấu trúc cục bộ biểu diễn điểm chạc
• 1.7.4. Hạn chế của một số biểu diễn truyền thống
• 1.7.5. Biểu diễn cục bộ dựa trên mã trụ MCC (Minutia Cylinder-Code)
• 1.7.6. Giai đoạn gia cố trong thuật toán đối sánh vân tay dựa trên cấu trúc cục bộ
• 1.8. Kết chương
• 2. CHƯƠNG 2: CẢI TIẾN GIAI ĐOẠN GIA CỐ CỦA THUẬT TOÁN ĐỐI SÁNH DỰA TRÊN ĐIỂM CHẠC
• 2.1. Các phương pháp gia cố thường sử dụng
• 2.2. Giải thuật gia cố đề xuất
• 2.3. Đề xuất cải tiến cho phương pháp gia cố dựa trên phép biến hình
• 2.4. Đề xuất cải tiến cho phương pháp gia cố gia tăng
• 2.5. Đánh giá giải thuật gia cố đề xuất
• 2.6. Kết chương
• 3. CHƯƠNG 3: PHÁT HIỆN ĐIỂM ĐƠN NHẤT TỪ ẢNH VÂN TAY
• 3.1. Điểm đơn nhất vân tay và ứng dụng
• 3.2. Phát hiện điểm đơn nhất của vân tay
• 3.3. Đề xuất phát hiện điểm đơn nhất sử dụng mạng nơ ron tích chập
• 3.3.1. Mạng nơ ron tích chập
• 3.3.2. Kỹ thuật phát hiện điểm đơn nhất vân tay sử dụng mạng CNN
• 3.3.3. Xây dựng mô hình mạng CNN
• 3.4. Đánh giá kết quả
• 3.5. Kết chương
• 4. CHƯƠNG 4: CẢI TIẾN HIỆU NĂNG ĐỊNH DANH VÂN TAY QUY MÔ LỚN SỬ DỤNG GPU
• 4.1. Đối sánh vân tay trên môi trường tính toán hiệu năng cao
• 4.2. Kiến trúc bộ xử lý đồ họa GPU
• 4.3. Đối sánh vân tay sử dụng GPU
• 4.4. Đối sánh sử dụng mô tả FingerCode
• 4.5. Đối sánh sử dụng mô tả MCC
• 4.6. Đề xuất đối sánh vân tay trên GPU của luận án
• 4.6.1. Phương pháp đề xuất
• 4.6.2. Kết quả thực nghiệm
• 4.7. Đề xuất gia cố toàn cục trên GPU
• 4.7.1. Kết quả thực nghiệm gia cố toàn cục trên GPU
• 4.8. Mô hình định danh CS L vân tay lớn trên nền dịch vụ Web
• 4.9. Kết chương
• KẾT LUẬN CHUNG VÀ HƯỚNG PHÁT TRIỂN
• Các đóng góp của luận án
• Hạn chế của luận án
• Hướng phát triển tiếp theo
• NH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc

Kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc là một trong những phương pháp tiên tiến trong lĩnh vực nhận dạng sinh trắc học. Phương pháp này sử dụng các đặc điểm độc đáo của vân tay để xác định danh tính cá nhân. Đặc trưng điểm chạc bao gồm các điểm lõi, điểm kết thúc và điểm nhánh, giúp tăng cường độ chính xác trong quá trình đối sánh. Việc áp dụng công nghệ này không chỉ giúp cải thiện độ chính xác mà còn nâng cao tốc độ xử lý trong các hệ thống nhận dạng vân tay.

1.1. Đặc điểm nổi bật của kỹ thuật đối sánh vân tay

Kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc có nhiều ưu điểm nổi bật. Đầu tiên, nó cho phép tách biệt các đặc điểm quan trọng từ ảnh vân tay, giúp giảm thiểu ảnh hưởng của nhiễu. Thứ hai, phương pháp này có khả năng xử lý nhanh chóng, phù hợp với các ứng dụng yêu cầu thời gian thực. Cuối cùng, độ chính xác cao của kỹ thuật này đã được chứng minh qua nhiều nghiên cứu thực nghiệm.

1.2. Lịch sử phát triển của kỹ thuật đối sánh vân tay

Kỹ thuật đối sánh vân tay đã trải qua nhiều giai đoạn phát triển. Ban đầu, các phương pháp truyền thống dựa vào hình ảnh vân tay, nhưng với sự tiến bộ của công nghệ, các phương pháp hiện đại đã ra đời. Việc áp dụng các thuật toán học máy và trí tuệ nhân tạo đã giúp cải thiện đáng kể độ chính xác và tốc độ của quá trình đối sánh.

II. Thách thức trong kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc

Mặc dù kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức đáng kể. Các vấn đề như chất lượng ảnh vân tay, sự biến đổi trong quá trình thu thập và các yếu tố môi trường có thể ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, việc phát hiện và tách biệt các điểm chạc từ ảnh vân tay cũng gặp nhiều khó khăn, đặc biệt là với các ảnh có chất lượng thấp.

2.1. Ảnh hưởng của chất lượng ảnh vân tay

Chất lượng ảnh vân tay là yếu tố quyết định đến độ chính xác của quá trình đối sánh. Các ảnh vân tay bị mờ, nhiễu hoặc không đầy đủ có thể dẫn đến việc phát hiện sai các điểm chạc. Điều này làm giảm hiệu suất của hệ thống và có thể gây ra các lỗi trong việc nhận dạng.

2.2. Khó khăn trong việc phát hiện điểm chạc

Việc phát hiện điểm chạc từ ảnh vân tay không phải lúc nào cũng dễ dàng. Các yếu tố như độ tương phản thấp, ánh sáng không đồng đều và sự biến đổi trong hình dạng vân tay có thể làm cho quá trình này trở nên phức tạp. Điều này đòi hỏi các thuật toán phải được tối ưu hóa để xử lý các tình huống khó khăn này.

III. Phương pháp cải tiến kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc

Để nâng cao hiệu quả của kỹ thuật đối sánh vân tay, nhiều phương pháp cải tiến đã được đề xuất. Các nghiên cứu gần đây tập trung vào việc phát triển các thuật toán mới, cải thiện quy trình trích xuất đặc trưng và tối ưu hóa các bước xử lý. Những cải tiến này không chỉ giúp tăng cường độ chính xác mà còn giảm thiểu thời gian xử lý.

3.1. Thuật toán trích xuất đặc trưng điểm chạc

Các thuật toán trích xuất đặc trưng điểm chạc hiện đại sử dụng các kỹ thuật học sâu để cải thiện độ chính xác. Những thuật toán này có khả năng nhận diện và phân loại các điểm chạc một cách hiệu quả, ngay cả trong các điều kiện khó khăn. Việc áp dụng mạng nơ ron tích chập (CNN) đã cho thấy kết quả khả quan trong việc phát hiện các đặc trưng này.

3.2. Tối ưu hóa quy trình đối sánh

Quy trình đối sánh có thể được tối ưu hóa thông qua việc sử dụng các phương pháp gia cố và cải tiến thuật toán. Việc áp dụng các kỹ thuật như phân tán tính toán trên GPU giúp tăng tốc độ xử lý, cho phép hệ thống thực hiện hàng triệu phép đối sánh trong thời gian ngắn. Điều này rất quan trọng trong các ứng dụng yêu cầu thời gian thực.

IV. Ứng dụng thực tiễn của kỹ thuật đối sánh vân tay

Kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc đã được áp dụng rộng rãi trong nhiều lĩnh vực. Từ việc kiểm soát truy cập an ninh cho đến các ứng dụng trong pháp y, công nghệ này đã chứng minh được giá trị của mình. Các hệ thống nhận dạng vân tay hiện đại không chỉ giúp tăng cường an ninh mà còn cải thiện trải nghiệm người dùng.

4.1. Ứng dụng trong an ninh

Trong lĩnh vực an ninh, kỹ thuật đối sánh vân tay được sử dụng để kiểm soát truy cập vào các khu vực nhạy cảm. Hệ thống này giúp xác thực danh tính của người dùng một cách nhanh chóng và chính xác, giảm thiểu rủi ro từ các hành vi gian lận.

4.2. Ứng dụng trong pháp y

Kỹ thuật đối sánh vân tay cũng đóng vai trò quan trọng trong lĩnh vực pháp y. Việc xác định danh tính tội phạm thông qua dấu vân tay tại hiện trường là một trong những phương pháp hiệu quả nhất. Công nghệ này giúp các cơ quan chức năng nhanh chóng điều tra và giải quyết các vụ án.

V. Kết luận và hướng phát triển tương lai của kỹ thuật đối sánh vân tay

Kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc đang ngày càng trở nên quan trọng trong lĩnh vực nhận dạng sinh trắc học. Với sự phát triển không ngừng của công nghệ, các phương pháp mới sẽ tiếp tục được nghiên cứu và cải tiến. Tương lai của kỹ thuật này hứa hẹn sẽ mang lại nhiều ứng dụng mới, đáp ứng nhu cầu ngày càng cao trong việc bảo mật và nhận dạng.

5.1. Xu hướng nghiên cứu trong tương lai

Các nghiên cứu trong tương lai sẽ tập trung vào việc cải thiện độ chính xác và tốc độ của kỹ thuật đối sánh vân tay. Việc áp dụng trí tuệ nhân tạo và học máy sẽ mở ra nhiều cơ hội mới cho việc phát triển các thuật toán tiên tiến hơn.

5.2. Tích hợp công nghệ mới

Tích hợp các công nghệ mới như Internet of Things (IoT) và điện toán đám mây vào hệ thống nhận dạng vân tay sẽ giúp nâng cao khả năng bảo mật và tiện ích. Điều này sẽ tạo ra một hệ sinh thái an toàn hơn cho người dùng trong các ứng dụng hàng ngày.

Nội dung chính

Tổng quan luận án

Nhận dạng sinh trắc học dựa trên vân tay là phương pháp nhận dạng cá nhân được áp dụng rộng rãi trong các hệ thống dân sự và quản lý nhà nước như kiểm soát truy cập, giao dịch trực tuyến, cấp phát căn cước, hộ chiếu và tư pháp hình sự. So với các đặc tính sinh trắc học khác như ADN, mống mắt hay võng mạc, vân tay có ưu điểm về tính bất biến, độ phân biệt cao, đồng thời thiết bị thu nhận có chi phí hợp lý và dễ tích hợp vào các thiết bị đầu cuối.

Hệ thống nhận dạng vân tay tự động (AFIS) vận hành hai tác vụ chính: thẩm định (verification - đối sánh 1:1) và định danh (identification - đối sánh 1:N). Trong các bài toán định danh trên cơ sở dữ liệu quy mô lớn lên tới hàng chục hoặc hàng trăm triệu mẫu vân tay (chẳng hạn như dự án định danh Aadhaar của Ấn Độ hay hệ thống C-DRIS quản lý tàng thư căn cước của Bộ Công an Việt Nam với năng lực xử lý 2,5 triệu vân tay trong 5 phút trên cụm 10 máy tính, tương đương 1.000 vân tay/giây/máy), yêu cầu đặt ra là phải đạt được tốc độ đối sánh hàng triệu vân tay trong thời gian đơn vị giây để đáp ứng thời gian thực. Mặt khác, quá trình đối sánh đối mặt với nhiều khó khăn do hiện tượng biến dạng phi tuyến, sai lệch vị trí, góc xoay, diện tích tiếp xúc không đầy đủ, áp lực đặt ngón tay không đều và chất lượng cảm biến thu nhận ảnh.

Nhằm giải quyết đồng thời hai thách thức về độ chính xác và tốc độ xử lý, luận án tiến sĩ chuyên ngành Các hệ thống thông tin (mã số 62 48 05 01) của nghiên cứu sinh Lê Hồng Hải, thực hiện tại Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội năm 2018 dưới sự hướng dẫn của PGS. Nguyễn Ngọc Hóa và PGS. Nguyễn Hà Nam, tập trung vào đề tài: "Nghiên cứu nâng cao các kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc".

Mục tiêu chính của luận án là nâng cao cả tốc độ lẫn độ chính xác của các thuật toán đối sánh vân tay dựa trên đặc trưng điểm chạc. Luận án xác lập 4 nội dung nghiên cứu cụ thể:

1. Khái quát về quá trình đối sánh vân tay dựa trên thông tin điểm chạc.
2. Nghiên cứu, đề xuất phương thức nâng cao độ chính xác của các thuật toán đối sánh vân tay dựa trên điểm chạc thông qua cải tiến giai đoạn gia cố.
3. Nghiên cứu, cài đặt kỹ thuật cải tiến tốc độ đối sánh vân tay thông qua việc sử dụng và khai thác thế mạnh tính toán hiệu năng cao của bộ xử lý đồ họa GPU.
4. Tiến hành thực nghiệm, đánh giá và so sánh kết quả các phương thức, kỹ thuật đã đưa ra trong luận án.

Về đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các phương pháp và kỹ thuật đối sánh vân tay sử dụng khuôn dạng lưu trữ đặc trưng theo chuẩn quốc tế ISO/IEC 19794-2. Chuẩn này lưu trữ thông tin điểm chạc (vị trí tọa độ, góc hướng) cùng tùy chọn mở rộng lưu thông tin về điểm đơn nhất và số đường vân. Luận án không nghiên cứu ảnh vân tay thu thập từ hiện trường vụ án (latent fingerprints) có chất lượng quá kém hoặc phân mảnh phức tạp.
• Phạm vi dữ liệu và thực nghiệm: Các cơ sở dữ liệu ảnh vân tay thu nhận từ các bộ cảm biến điện tử tiêu chuẩn thuộc các kỳ thi xác thực vân tay quốc tế FVC2002 và FVC2004. Môi trường tính toán hiệu năng cao khai thác các dòng card đồ họa chuyên dụng bao gồm Nvidia GeForce GTX 680 và Nvidia Tesla K40.

Tổng quan tài liệu và vị trí của luận án

Theo khảo sát của Maltoni và cộng sự (2009) [49] cùng Peralta và cộng sự (2016) [56], các phương pháp đối sánh vân tay hiện nay được phân chia thành ba nhóm tiếp cận chính:

1. Tiếp cận dựa trên độ tương quan ảnh (Correlation-based matching): So sánh trực tiếp các giá trị điểm ảnh hoặc vector đặc trưng tổng hợp. Điển hình là biểu diễn FingerCode của Jain và cộng sự [32], sử dụng bộ lọc Gabor đa hướng xung quanh tâm vân tay để trích xuất vector đặc trưng. Gần đây, Zanganeh và cộng sự [76] đề xuất kỹ thuật chia ảnh thành các vùng nhỏ để đối sánh cục bộ. Nhược điểm của nhóm này là phụ thuộc lớn vào việc định vị chính xác điểm lõi (core), độ tương phản và đòi hỏi tài nguyên tính toán rất lớn.
2. Tiếp cận dựa trên các đặc trưng không phải điểm chạc: Sử dụng hình dạng đường vân, tần số vân, kết cấu hoặc hướng dòng vân xung quanh điểm quan tâm theo nghiên cứu của Tico và cộng sự [67], cũng như các công trình [23], [70], [92], [93]. Hướng này hữu ích khi ảnh có chất lượng thấp khó tách điểm chạc, song kích thước biểu diễn thường cồng kềnh.
3. Tiếp cận dựa trên điểm chạc (Minutiae-based matching): Đây là hướng tiếp cận phổ biến nhất trong các hệ thống AFIS hiện đại nhờ kích thước bản mẫu nhỏ gọn, tốc độ xử lý nhanh và độ chính xác cao. Nhiều mô hình biểu diễn và đối sánh điểm chạc đã được công bố như các công trình của Cappelli và cộng sự [8], Chikkerur và cộng sự [6], Medina và cộng sự [48], Feng [17], Ahmad và cộng sự [2].

Trong kỹ thuật đối sánh điểm chạc, hai trường phái chính gồm:

• Đối sánh toàn cục (Global matching): Tìm kiếm phép biến đổi hình học đồng nhất cho toàn bộ tập điểm chạc. Ratha và cộng sự [60] áp dụng phép biến đổi Hough tổng quát; Liu và cộng sự [44] đề xuất biến đổi Hough đa mức nhằm giảm tải tính toán; Chikkerur và cộng sự [15] kết hợp căn chỉnh trước dựa trên điểm lõi tin cậy. Nhược điểm của đối sánh toàn cục là độ phức tạp tổ hợp cao và nhạy cảm với sự biến dạng méo phi tuyến khi ấn ngón tay.
• Đối sánh cục bộ (Local matching): Biểu diễn điểm chạc thông qua cấu trúc láng giềng có tính bất biến với phép xoay và tịnh tiến. Điển hình có mô hình K-plet của Chikkerur và cộng sự [6] phân bố điểm lân cận vào 4 góc phần tư; mô hình phân vùng của Kwon và cộng sự [35]; mô hình lấy mẫu hướng đường vân của Tico và cộng sự [67]; cấu trúc tam giác điểm chạc m-Triplets của Medina và cộng sự [48]; tam giác hóa Delaunay và 1-order Delaunay của Liang và cộng sự [38], Yang và cộng sự [95]; và biểu diễn mã trụ 3D Minutia Cylinder-Code (MCC) của Cappelli và cộng sự [8]. Sau bước so khớp cục bộ, các giải thuật bắt buộc phải trải qua giai đoạn gia cố (consolidation) để kiểm tra tính nhất quán hình học ở cấp độ toàn cục.

Về phương diện tăng tốc tính toán trên cơ sở dữ liệu lớn, các giải pháp phần cứng chuyên dụng và xử lý song song đã được triển khai:

Nhóm nghiên cứu	Phần cứng / Môi trường thực thi	Thuật toán đối sánh	Hiệu năng đạt được (đối sánh/giây)
Jiang và Crookes (2004) [30]	Phần cứng FPGA chuyên dụng	Điểm chạc	1.200.000
Xu và cộng sự (2014) [73]	FPGA Virtex VII XC7VX485T	Điểm chạc	9.600.000
Peralta và cộng sự (2014) [56]	Cụm máy tính 12 nút (2x Intel Xeon E5-2620/nút)	Điểm chạc cục bộ	812.700
Lastra và cộng sự (2013) [39]	4 card đồ họa GPU Nvidia GTX 680	Mô tả điểm chạc Jiang	1.500.000
Gutierrez và cộng sự (2014) [27]	1 card đồ họa GPU Nvidia GTX 680	Biểu diễn mã trụ MCC	55.700
Cappelli và cộng sự (2015) [9]	Bộ xử lý đồ họa GPU	Biểu diễn mã trụ MCC	8.600.000

Từ bức tranh tổng quan trên, luận án xác định hai khoảng trống nghiên cứu then chốt:

• Thứ nhất, trong các giải thuật đối sánh cục bộ, giai đoạn gia cố truyền thống dễ rơi vào sai số cục bộ khi cặp điểm căn chỉnh khởi đầu bị ghép sai hoặc khi quy trình mở rộng tích lũy các cặp điểm không tương thích về hình học toàn cục. Cần có giải pháp gia cố mới đánh giá chặt chẽ hơn cấu trúc không gian mà không làm tăng chi phí thời gian tính toán.
• Thứ hai, các kỹ thuật đối sánh trên GPU sử dụng biểu diễn MCC tuy đạt tốc độ cao nhưng giải thuật gia cố toàn cục phức tạp thường bị lược bỏ hoặc chỉ thực thi tuần tự trên CPU, gây tắc nghẽn cổ chai truyền thông dữ liệu. Cần tái cấu trúc thuật toán đối sánh chi tiết và gia cố toàn cục để thực thi song song hoàn toàn trên kiến trúc phân luồng của GPU.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng nội dung dựa trên các cơ sở lý thuyết toán học và mô hình kỹ thuật sau:

• Khái niệm điểm chạc và chuẩn hóa dữ liệu: Điểm chạc cấp độ 2 gồm điểm kết thúc đường vân (ridge ending) và điểm rẽ nhánh (bifurcation). Mỗi điểm chạc thứ $i$ được mô tả bằng bộ ba giá trị $m_i = {x_i, y_i, \theta_i}$, trong đó $(x_i, y_i)$ là tọa độ không gian 2D và $\theta_i \in [-\pi, \pi)$ là góc hướng của đường vân tại điểm chạc. Cấu trúc dữ liệu tuân thủ chuẩn ISO/IEC 19794-2.
• Bài toán căn chỉnh hình học: Cho hai tập điểm chạc $T = {m_1, m_2, ..., m_M}$ và $I = {m'_1, m'2, ..., m'N}$. Phép biến đổi căn chỉnh $f(m_i)$ gồm phép tịnh tiến $T(\Delta x, \Delta y)$ và phép xoay ngược chiều kim đồng hồ góc $\Delta \theta$: $$\begin{bmatrix} x_i' \ y_i' \end{bmatrix} = \begin{bmatrix} \cos\Delta\theta & -\sin\Delta\theta \ \sin\Delta\theta & \cos\Delta\theta \end{bmatrix} \begin{bmatrix} x_i \ y_i \end{bmatrix} + \begin{bmatrix} \Delta x \ \Delta y \end{bmatrix}$$ Hai điểm chạc được coi là khớp nhau nếu thỏa mãn sai số khoảng cách không gian $dist(m_i', m_j) \le t_s$ và sai số góc $|\theta_i' - \theta_j| \le t\theta$. Trong thuật toán MTK [47], các ngưỡng tối ưu được xác lập là $t_s = 12$ pixel và $t\theta = \pi/6$ radian.
• Độ tương đồng giữa hai vân tay: Được lượng hóa qua chỉ số tương đồng $S = \frac{k^2}{M \cdot N}$, với $k$ là số cặp điểm chạc phù hợp tìm được, hoặc chuẩn hóa dựa trên số điểm chạc nằm trong vùng giao nhau của hai ảnh sau căn chỉnh.
• Thước đo đánh giá hệ thống nhận dạng: Tỷ lệ chấp nhận sai (False Match Rate - FMR), Tỷ lệ từ chối sai (False Non-Match Rate - FNMR), Tỷ lệ cân bằng lỗi (Equal Error Rate - EER tại ngưỡng FMR = FNMR), cùng các chỉ số FMR100, FMR1000 và ZeroFMR.
• Cấu trúc biểu diễn mã trụ MCC (Minutia Cylinder-Code): Số hóa vùng lân cận của mỗi điểm chạc thành một hình trụ 3D rời rạc hóa với đáy là lưới không gian $2D$ và chiều cao là sai khác góc hướng. Giá trị tại mỗi ô trụ là sự đóng góp liên tục của các điểm chạc láng giềng thông qua hàm mật độ chuẩn Gaussian.
• Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Sử dụng các lớp tích chập trích xuất đặc trưng không gian đa mức, lớp gộp cực đại (MaxPooling) giảm chiều dữ liệu và lớp kết nối đầy đủ (Fully Connected) để phân loại điểm đặc trưng.
• Mô hình lập trình song song GPU/CUDA: Áp dụng kiến trúc SIMD (Single Instruction, Multiple Data), quản lý các khối luồng (thread blocks), sợi xử lý (threads) và các cấp bộ nhớ (global memory, shared memory, registers).

Phương pháp nghiên cứu thực tế của luận án là phương pháp thực nghiệm định lượng kết hợp tối ưu hóa thuật toán. Dữ liệu thực nghiệm được lấy từ các tập cơ sở dữ liệu chuẩn FVC2002 (DB1, DB2, FVC2002 1, FVC2002 2, FVC2002 b-b) và FVC2004. Các thuật toán đề xuất được cài đặt, biên dịch và đo đạc trực tiếp trên hệ thống máy trạm có gắn card đồ họa Nvidia GeForce GTX 680 và Nvidia Tesla K40.

Nội dung chính theo từng chương

Chương 1: Khái quát về đối sánh vân tay dựa trên điểm chạc

Chương 1 hệ thống hóa toàn diện các thành phần cấu thành một hệ thống AFIS tiêu chuẩn: lấy mẫu từ cảm biến quang học, điện dung hoặc sóng âm; nâng cao chất lượng ảnh; trích chọn thuộc tính mức 1 (hướng vân, điểm lõi core, điểm tam phân delta), mức 2 (điểm chạc) và mức 3 (lỗ chân lông); lưu trữ mẫu; lọc thô và đối sánh.

Trong giai đoạn tiền xử lý, tác giả phân tích các kỹ thuật nâng cao chất lượng ảnh vân tay nhằm làm rõ cấu trúc đường vân và loại bỏ nhiễu:

• Bộ lọc Gabor [24] với 4 tham số hướng $\theta$, tần số $f$, hằng số Gaussian $\sigma_x, \sigma_y$.
• Phân tích biến đổi Fourier thời gian ngắn (STFT) của Chikkerur và cộng sự [10].
• Mô hình mạng niềm tin sâu tích chập (CDBN) của Sahasrabudhe và cộng sự [65]. Trên cơ sở dữ liệu FVC2002, mô hình CDBN đạt tỷ lệ lỗi cân bằng EER là 7,40%, thấp hơn so với STFT và Gabor (đều có EER trên 8%).

Đối với bài toán tách điểm chạc, quy trình nhị phân hóa và làm mảnh đường vân xác định loại điểm dựa trên chỉ số giao cắt: $$cn(p) = \frac{1}{2}\sum_{i=1}^{8} |val(p_{i \bmod 8 + 1}) - val(p_i)|$$ Trong đó $cn(p) = 1$ tương ứng điểm kết thúc đường vân và $cn(p) = 3$ tương ứng điểm rẽ nhánh. Luận án chỉ rõ nhược điểm của phương pháp làm mảnh là tạo ra nhiều điểm chạc giả và tốn thời gian, từ đó khảo sát thêm phương pháp dò trực tiếp trên ảnh mức xám của Maio và cộng sự [50], các luật hình học loại bỏ điểm chạc biên của Reddy và cộng sự [87], bao lồi của Peralta và cộng sự [94], cùng các mạng tích chập sâu của Jiang và cộng sự [86] và Tang và cộng sự [98].

Tiếp đó, chương đi sâu vào giải thuật đối sánh toàn cục (thuật toán biến đổi Hough của Ratha [60]) và các cấu trúc đối sánh cục bộ (K-plet, m-Triplets, Delaunay, MCC). Tác giả chỉ ra rằng đối sánh cục bộ tuy có độ phức tạp thấp và chịu biến dạng tốt nhưng bắt buộc phải có bước gia cố để đảm bảo các cặp điểm khớp nhau ở mức cục bộ không mâu thuẫn ở mức toàn cục.

Chương 2: Cải tiến giai đoạn gia cố của thuật toán đối sánh dựa trên điểm chạc

Chương 2 tập trung giải quyết điểm yếu của giai đoạn gia cố trong các thuật toán đối sánh dựa trên cấu trúc cục bộ. Giai đoạn gia cố truyền thống thường lựa chọn cặp điểm có độ tương đồng cục bộ cao nhất làm cặp gốc để căn chỉnh, sau đó sử dụng các phép biến hình (như Thin Plate Spline - TPS hoặc biến đổi affine) hoặc phương pháp gia cố gia tăng để kết nạp thêm các cặp điểm lân cận. Tuy nhiên, nếu cặp điểm có độ tương đồng lớn nhất lại là một đối sánh sai (Hình 2.2), toàn bộ quá trình căn chỉnh sau đó sẽ thất bại.

Tác giả đề xuất phương pháp gia cố cải tiến:

• Đánh giá chi tiết hơn điều kiện hình học trong bước kiểm tra căn chỉnh, kiểm soát sự tương thích không gian giữa các cặp điểm ứng viên thay vì chỉ dựa vào một cặp điểm cục bộ cực đại.
• Cải tiến thuật toán gia cố gia tăng trong mô hình K-plet bằng cách sửa đổi bước 9 (Thuật toán 2.4): đưa thêm các ràng buộc hình học chặt chẽ nhằm ngăn chặn việc kết nạp nhầm các điểm chạc sai lệch vào cây đối sánh.

Hiệu quả của giải thuật gia cố đề xuất được kiểm chứng thực nghiệm trên cơ sở dữ liệu FVC2002 với ba thuật toán đối sánh cục bộ tiêu biểu: K-plet, m-Triplets và MCC. Kết quả thể hiện trong Bảng 2.1 của luận án cho thấy:

• Độ chính xác của cả ba thuật toán đều được nâng cao rõ rệt, thể hiện qua việc giảm chỉ số EER, FMR100 và ZeroFMR.
• Thời gian thi hành của thuật toán không bị suy giảm so với thuật toán gốc, do các điều kiện kiểm tra mới được thiết kế tối ưu, nhanh chóng loại bỏ các nhánh đối sánh sai mà không làm tăng độ phức tạp thuật toán.

Chương 3: Phát hiện điểm đơn nhất từ ảnh vân tay

Điểm đơn nhất (điểm lõi core và điểm tam phân delta) là đặc trưng mức 1 quan trọng, phục vụ việc phân loại kiểu vân tay (vòng cung, cung lều, móc trái, móc phải, xoắn ốc) và làm điểm căn chỉnh sơ bộ nhằm thu hẹp không gian tìm kiếm khi đối sánh.

Phương pháp cổ điển xác định điểm đơn nhất dựa trên chỉ số Poincaré (Poincaré Index - PI) tính toán tổng biến thiên hướng đường vân trên đường cong kín quanh điểm ảnh. Khi chất lượng ảnh vân tay kém, xuất hiện các vết đứt gãy hoặc sẹo, chỉ số PI thường phát hiện sai vị trí hoặc tạo ra nhiều điểm đơn nhất giả.

Để khắc phục, tác giả đề xuất kỹ thuật phát hiện điểm đơn nhất sử dụng mạng nơ-ron tích chập (CNN). Mô hình được thiết kế nhằm học các biểu diễn đặc trưng đa tầng trực tiếp từ dữ liệu ảnh mà không phụ thuộc hoàn toàn vào ảnh hướng đã làm mịn. Quy trình huấn luyện sử dụng các mẩu ảnh chứa điểm core và delta được gán nhãn chính xác từ cơ sở dữ liệu FVC2002.

Kết quả đánh giá trên tập kiểm thử FVC2002 DB1 và DB2 (Bảng 3.1, 3.2, 3.3 trong luận án) cho thấy:

• Mô hình mạng CNN đề xuất đạt tỷ lệ phát hiện chính xác điểm core và delta cao hơn hẳn so với phương pháp Poincaré Index truyền thống và giải pháp của Zhou và Chikkerur.
• Số lượng điểm đơn nhất giả tại các vùng vân tay có độ nhiễu cao giảm xuống đáng kể, nâng cao độ tin cậy cho bước căn chỉnh sơ bộ của thuật toán đối sánh.

Chương 4: Cải tiến hiệu năng định danh vân tay quy mô lớn sử dụng GPU

Chương 4 trình bày giải pháp nâng cao tốc độ định danh trên cơ sở dữ liệu quy mô lớn thông qua việc thiết kế lại thuật toán đối sánh dựa trên biểu diễn MCC trên bộ xử lý đồ họa GPU. Kiến trúc GPU sở hữu hàng nghìn lõi tính toán theo mô hình SIMD, rất phù hợp cho các phép toán song song ma trận độc lập.

Tác giả đề xuất kỹ thuật phân bổ tính toán đối sánh trên GPU như sau:

• Mỗi khối tính toán (thread block) trên GPU chịu trách nhiệm thực hiện một phép đối sánh hoàn chỉnh giữa một vân tay trong cơ sở dữ liệu và vân tay truy vấn.
• Mỗi khối gồm 32 luồng (thread), trong đó mỗi luồng đảm nhiệm tính toán song song trên một cột của ma trận tương đồng giữa các hình trụ MCC.
• Tối ưu hóa việc nạp dữ liệu vào bộ nhớ chia sẻ (shared memory) và thanh ghi (registers) để hạn chế tối đa độ trễ truy xuất bộ nhớ toàn cục (global memory).
• Đề xuất và cài đặt giải thuật gia cố toàn cục trực tiếp trên GPU (Thuật toán 4.3), giúp thực thi trọn vẹn cả hai pha so khớp cục bộ và kiểm tra toàn cục trên card đồ họa mà không cần chuyển dữ liệu trung gian về CPU.

Kết quả thực nghiệm trên các hệ thống phần cứng chuyên dụng được ghi nhận trong các bảng số liệu của chương:

• Trên GPU Nvidia GeForce GTX 680 (Bảng 4.2 và 4.3): Khi sử dụng phép đối sánh nhanh, thuật toán đạt tốc độ 8.500.000 phép đối sánh vân tay/giây, tiệm cận mức kỷ lục 8.600.000 phép đối sánh/giây công bố bởi Cappelli và cộng sự [9]. Khi thực hiện đối sánh chi tiết có kèm bước gia cố toàn cục, tốc độ đạt 1.800.000 phép đối sánh/giây.
• Trên GPU Nvidia Tesla K40 (Bảng 4.4): Đo kiểm thời gian thực thi của 10 truy vấn trên các kích thước cơ sở dữ liệu khác nhau cho thấy thời gian xử lý tăng tuyến tính với quy mô dữ liệu và duy trì độ ổn định cao.
• Trên cơ sở các kết quả đó, tác giả đề xuất mô hình kiến trúc định danh vân tay phân tán cho cơ sở dữ liệu lớn trên nền tảng dịch vụ Web (Web Services), kết hợp máy chủ điều phối Master và các nút xử lý Slave trang bị GPU.

Kết quả và những đóng góp mới

Luận án đã đạt được ba đóng góp khoa học và thực tiễn chính, tương ứng với các công trình công bố của tác giả:

1. Đóng góp về nâng cao độ chính xác: Đề xuất phương pháp cải tiến giai đoạn gia cố cho các thuật toán đối sánh vân tay dựa trên cấu trúc điểm chạc cục bộ (chỉnh sửa quy tắc kết nạp trong K-plet, m-Triplets và MCC). Giải pháp giúp tăng cường độ chính xác nhận dạng (giảm chỉ số EER) mà vẫn giữ nguyên thời gian thi hành của thuật toán gốc. Nội dung này được công bố trong các bài báo [LHHai1] và [LHHai4].
2. Đóng góp về trích chọn đặc trưng mức 1: Đề xuất kỹ thuật phát hiện điểm đơn nhất (core và delta) dựa trên mạng nơ-ron tích chập (CNN). Kết quả thực nghiệm trên cơ sở dữ liệu FVC2002 chứng minh mô hình có khả năng kháng nhiễu tốt hơn và giảm tỷ lệ phát hiện sai so với các thuật toán dựa trên chỉ số Poincaré cổ điển và phương pháp của Zhou và Chikkerur. Kết quả được công bố trong bài báo [LHHai5].
3. Đóng góp về nâng cao tốc độ định danh quy mô lớn: Đề xuất cấu trúc phân luồng song song cho thuật toán đối sánh MCC và thuật toán gia cố toàn cục trên bộ xử lý đồ họa GPU. Thuật toán đạt tốc độ đối sánh nhanh 8,5 triệu vân tay/giây và đối sánh chi tiết 1,8 triệu vân tay/giây trên card Nvidia GTX 680. Luận án cũng hoàn thiện mô hình hệ thống định danh vân tay quy mô lớn triển khai trên nền dịch vụ Web. Đóng góp này được công bố qua các công trình [LHHai2], [LHHai3] và [LHHai6].

Về mặt kiến nghị thực tiễn, luận án cung cấp giải pháp khả thi để xây dựng các hệ thống AFIS cấp quốc gia có khả năng phản hồi tức thời từ các máy trạm trang bị GPU thương mại với chi phí đầu tư phần cứng thấp hơn nhiều so với việc duy trì các cụm máy chủ CPU truyền thống.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án:

• Dữ liệu thực nghiệm tập trung vào các cơ sở dữ liệu ảnh vân tay thu nhận từ cảm biến điện tử tiêu chuẩn (FVC2002, FVC2004), chưa mở rộng kiểm chứng trên các tập dữ liệu ảnh vân tay hiện trường (latent fingerprints) vốn có độ méo phi tuyến phức tạp, tỷ lệ che khuất lớn và chất lượng hình ảnh rất thấp.
• Thuật toán đối sánh song song trên GPU đòi hỏi card đồ họa chuyên dụng và kiến trúc máy trạm, chưa tối ưu hóa cho các hệ thống nhúng có tài nguyên tính toán giới hạn như thẻ thông minh (Smart Card / Java Card).

Hướng nghiên cứu tiếp theo:

• Mở rộng các mô hình học sâu (Deep Learning) để trích chọn trực tiếp điểm chạc và điểm đơn nhất trên ảnh vân tay hiện trường có độ nhiễu cao.
• Nghiên cứu nén cấu trúc biểu diễn mã trụ và tối ưu hóa giải thuật để có thể thực thi trên các thiết bị nhúng cầm tay hoặc thẻ thông minh không hỗ trợ tính toán số thực dấu phẩy động.
• Hoàn thiện hệ thống nhận dạng phân tán quy mô lớn trên nền dịch vụ Web và thử nghiệm với các cơ sở dữ liệu thực tế lên tới hàng chục triệu bản ghi.

Giá trị tham khảo

Bản luận án là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cho nhiều nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Công nghệ thông tin, Các hệ thống thông tin, Xử lý ảnh và Thị giác máy tính: Cung cấp bức tranh toàn cảnh về lý thuyết điểm chạc, mô hình biểu diễn hình học cục bộ (K-plet, m-Triplets, Delaunay, MCC) và các phương pháp đo lường sai số sinh trắc học chuẩn mực (FMR, FNMR, EER).
• Kỹ sư phát triển phần mềm và kiến trúc sư hệ thống sinh trắc học: Chương 2 mang lại giải pháp kỹ thuật trực tiếp để cải tiến bước gia cố trong các thuật toán so khớp vân tay hiện có nhằm nâng cao độ chính xác mà không tốn thêm chi phí tính toán.
• Các nhà phát triển hệ thống tính toán hiệu năng cao (HPC) và an ninh bảo mật: Chương 4 cung cấp chi tiết kỹ thuật phân chia luồng, phân bổ bộ nhớ shared memory và tối ưu hóa mô hình CUDA trên GPU để xử lý song song các bài toán ma trận tương đồng quy mô lớn, có thể tái sử dụng cho các bài toán định danh dữ liệu lớn khác.

Câu hỏi thường gặp

1. Đặc trưng điểm chạc trong luận án được xác định gồm những loại nào và lưu trữ theo tiêu chuẩn nào? Trong luận án, đặc trưng điểm chạc (thuộc đặc trưng mức 2) gồm hai loại chính: điểm kết thúc đường vân (ridge ending) và điểm rẽ nhánh (bifurcation). Mỗi điểm chạc được xác định bởi bộ ba tham số ${x, y, \theta}$ biểu thị tọa độ không gian 2D và góc hướng đường vân. Dữ liệu này được lưu trữ theo khuôn dạng chuẩn quốc tế ISO/IEC 19794-2.

2. Vì sao các thuật toán đối sánh vân tay dựa trên cấu trúc cục bộ bắt buộc phải có giai đoạn gia cố (consolidation stage)? Biểu diễn cục bộ có ưu điểm bất biến với phép xoay và tịnh tiến, đồng thời chịu được biến dạng méo cục bộ. Tuy nhiên, việc hai vân tay có các cấu trúc cục bộ tương đồng không đồng nghĩa với việc toàn bộ các cấu trúc đó có thể cùng tồn tại trong một không gian hình học toàn cục nhất quán. Giai đoạn gia cố có vai trò tìm kiếm phép căn chỉnh toàn thể và loại bỏ các cặp điểm đối sánh cục bộ bị mâu thuẫn hoặc ghép sai.

3. Thuật toán đối sánh đề xuất trên bộ xử lý đồ họa GPU đạt hiệu năng cao nhất là bao nhiêu và trên cấu hình phần cứng nào? Khi thực nghiệm trên card đồ họa Nvidia GeForce GTX 680 với biểu diễn mã trụ MCC, thuật toán đối sánh đề xuất của luận án đạt tốc độ 8,5 triệu phép đối sánh vân tay/giây đối với chế độ đối sánh nhanh, và đạt 1,8 triệu phép đối sánh vân tay/giây đối với chế độ đối sánh chi tiết có kèm bước gia cố toàn cục.

4. Kỹ thuật phát hiện điểm đơn nhất bằng mạng CNN có ưu thế gì so với phương pháp chỉ số Poincaré cổ điển? Phương pháp chỉ số Poincaré truyền thống dựa trên việc tính toán sự thay đổi hướng đường vân cục bộ nên rất nhạy cảm với nhiễu, các vết xước và đứt gãy trên da, dẫn đến việc phát hiện sai hoặc tạo ra nhiều điểm đơn nhất giả. Mô hình mạng CNN được huấn luyện trực tiếp trên các vùng ảnh thực tế, có khả năng học các đặc trưng mức cao đa tầng, giúp nhận diện chính xác điểm core và delta ngay cả trên ảnh chất lượng thấp.

5. Hiệu năng của hệ thống nhận dạng vân tay C-DRIS tại Việt Nam được tác giả trích dẫn với số liệu cụ thể ra sao? Theo số liệu tác giả trích dẫn từ thực tế, hệ thống C-DRIS do Bộ Công an quản lý vận hành trên một cụm gồm 10 máy tính, có năng lực nhận dạng 2,5 triệu vân tay trong khoảng thời gian 5 phút. Năng lực xử lý này tương đương với tốc độ đối sánh đạt xấp xỉ 1.000 vân tay/giây trên mỗi máy tính đơn lẻ.

Kết luận

Luận án tiến sĩ của tác giả Lê Hồng Hải đã giải quyết trọn vẹn mục tiêu nâng cao độ chính xác và tốc độ cho các kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc. Thông qua việc cải tiến giai đoạn gia cố, ứng dụng mạng nơ-ron tích chập phát hiện điểm đơn nhất và tối ưu hóa giải thuật đối sánh MCC song song trên bộ xử lý đồ họa GPU, công trình đạt được hiệu năng tính toán lên tới 8,5 triệu phép đối sánh/giây trên phần cứng thương mại. Các kết quả nghiên cứu đã được công bố trên các tạp chí và kỷ yếu hội nghị khoa học chuyên ngành, mang lại giá trị lý luận vững chắc và khả năng ứng dụng thực tiễn cao cho các hệ thống định danh sinh trắc học quy mô lớn.