Tổng quan luận án

Nhận dạng sinh trắc học là phương thức sử dụng các đặc điểm sinh học hoặc hành vi để tự động xác thực danh tính cá nhân. Trong các đặc trưng sinh trắc cơ thể như khuôn mặt, mống mắt, võng mạc hay DNA, đặc trưng vân tay sở hữu tính bất biến cao theo thời gian, bảo đảm tỷ lệ phân biệt rõ rệt giữa các cá nhân, chi phí trang bị phần cứng thu nhận hợp lý và khả năng tích hợp linh hoạt vào các thiết bị di động, khóa bảo mật. Nhận dạng vân tay phục vụ nhiều ứng dụng dân sự lẫn chính phủ như kiểm soát ra vào, xác thực giao dịch ngân hàng, định danh trực tuyến, chấm công, quản lý hộ chiếu, kiểm soát xuất nhập cảnh và giám định pháp y.

Hệ thống nhận dạng vân tay tự động vận hành qua hai tiến trình: thẩm định (verification - đối sánh 1:1) và định danh (identification - đối sánh 1:N). Khi triển khai định danh trên các cơ sở dữ liệu (CSDL) quy mô lớn chứa hàng triệu đến hàng trăm triệu bản mẫu (ví dụ dự án căn cước công dân của Ấn Độ hay hệ thống CCBRIS của Bộ Công an Việt Nam với khả năng đối sánh 2,5 triệu vân tay trong 5 phút trên cụm 10 máy tính, tương đương 1.000 vân tay/giây/máy tính), việc thực thi các thuật toán đối sánh truyền thống trên bộ vi xử lý CPU đơn lẻ không thể đáp ứng yêu cầu thời gian thực. Bên cạnh đó, độ chính xác của quá trình đối sánh thường chịu tác động tiêu cực bởi hiện tượng biến dạng phi tuyến, sai lệch vị trí, góc xoay, lực ép khi thu nhận ảnh và nhiễu do chất lượng thiết bị hoặc điều kiện da. Vì vậy, khoảng trống nghiên cứu trọng tâm là nâng cao đồng thời độ chính xác và tốc độ xử lý của quá trình đối sánh vân tay.

Luận án mang tên: "Nghiên cứu nâng cao các kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc". Mục tiêu tổng quát là nghiên cứu, đề xuất các giải pháp nâng cao cả độ chính xác lẫn tốc độ của các thuật toán đối sánh vân tay dựa trên đặc trưng điểm chạc.

Nhiệm vụ nghiên cứu cụ thể được xác định gồm 4 nội dung:

  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.
  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.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các thuật toán, cấu trúc biểu diễn và phương pháp đối sánh vân tay dựa trên đặc trưng điểm chạc lưu trữ theo chuẩn quốc tế ISO/IEC 19794-2.
  • Phạm vi dữ liệu: Các tập dữ liệu vân tay chuẩn thu nhận từ các bộ cảm biến điện tử, bao gồm CSDL FVC2002 và FVC2004.
  • Giới hạn phạm vi: Luận án không nghiên cứu các ảnh vân tay thu thập từ hiện trường (latent fingerprints) phục vụ điều tra hình sự hoặc pháp lý.

Tổng quan tài liệu và vị trí của luận án

Theo khảo sát tổng quan của Maltoni và cộng sự [49], các phương pháp đối sánh vân tay được phân loại thành ba hướng tiếp cận chính:

  1. Đối sánh dựa trên độ tương quan ảnh (Correlation-based matching): Hai ảnh vân tay được so khớp trực tiếp ở mức điểm ảnh thông qua các phép căn chỉnh biến đổi. Jain và cộng sự [32] đề xuất biểu diễn FingerCode sử dụng bộ lọc Gabor theo các hướng đường vân xung quanh điểm tâm (core). Zanganeh và cộng sự [76] đề xuất chia ảnh thành các vùng nhỏ để so khớp từng phần. Hạn chế của hướng tiếp cận này là tiêu tốn nhiều tài nguyên tính toán, nhạy cảm với sự thay đổi độ sáng, độ tương phản và khó áp dụng nếu ảnh không chứa hoặc không xác định được điểm core.
  2. Đối sánh dựa trên đặc trưng không là điểm chạc: Khai thác mẫu đường vân, thông tin hình dạng, tần số và kết cấu đường vân [23], [67], [70], [92], [93].
  3. Đối sánh dựa trên điểm chạc (Minutiae-based matching): Đây là kỹ thuật phổ biến nhất do điểm chạc dễ trích xuất, bản mẫu lưu trữ có kích thước gọn nhẹ, tốc độ xử lý nhanh và độ chính xác cao [2], [8], [17], [48], [56]. Để hỗ trợ các trường hợp chất lượng ảnh kém, một số công trình kết hợp điểm chạc với số đường vân phân cách giữa các điểm [7] hoặc hướng đường vân bao quanh điểm chạc [47].

Đối với môi trường thiết bị nhúng và thẻ thông minh (Java Card), các phép toán dấu phẩy động (float, double, long) không được hỗ trợ [MM14], đòi hỏi thuật toán đối sánh phải được đơn giản hóa cấu trúc tính toán [1], [3], [13].

Để giải quyết bài toán định danh trên CSDL vân tay quy mô lớn, các giải pháp tính toán hiệu năng cao và phân lớp lọc trước đã được nghiên cứu rộng rãi:

Tác giả / Nhóm nghiên cứu Nền tảng phần cứng Thuật toán / Biểu diễn Hiệu năng đối sánh (phép đối sánh/giây)
Jiang và Crookes [30] Phần cứng chuyên dụng FPGA Biểu diễn điểm chạc 1.200.000
Xu và cộng sự [73] FPGA Virtex VII XC7VX485T Biểu diễn điểm chạc 9.600.000
Peralta và cộng sự [56] Cụm 12 nút (2x Intel Xeon E5-2620/nút) MCC trên nền tảng CPU 812.700
Lastra và cộng sự [39] Cụm 4 bộ xử lý GPU NVIDIA GTX 680 Mô tả điểm chạc của Jiang 1.500.000
Gutierrez và cộng sự [27] 1 bộ xử lý GPU GeForce GTX 680 Biểu diễn mã trụ MCC 55.700
Cappelli và cộng sự [9] Bộ xử lý GPU Biểu diễn mã trụ MCC 8.600.000

Khoảng trống nghiên cứu được luận án lựa chọn giải quyết bao gồm:

  • Khắc phục sự sai lệch trong giai đoạn gia cố (consolidation) của các thuật toán đối sánh cục bộ nhằm tăng độ chính xác mà không làm tăng thời gian tính toán.
  • Áp dụng kỹ thuật học sâu để phát hiện điểm đơn nhất từ ảnh vân tay nhằm hỗ trợ căn chỉnh và phân lớp.
  • Tối ưu hóa cấu trúc dữ liệu và giải thuật đối sánh mã trụ MCC trên nền tảng tính toán song song GPU để đạt tốc độ xử lý hàng triệu phép đối sánh trên giây.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và phân cấp đặc trưng vân tay

Các đặc trưng trích xuất từ ảnh vân tay được phân thành 3 mức độ [49]:

  • Mức 1 (Toàn cục): Hướng đường vân và các điểm đơn nhất (singular points), gồm điểm lõi (core - nơi hướng vân biến thiên đột ngột) và điểm tam phân (delta - nơi hội tụ của các vùng vân có hướng khác nhau).
  • Mức 2 (Cục bộ): Các điểm chạc (minutiae), gồm điểm kết thúc đường vân (ridge ending) và điểm rẽ nhánh (bifurcation). Mỗi điểm chạc được định nghĩa bằng bộ 3 tham số ${x, y, \theta}$, trong đó $(x, y)$ là tọa độ không gian và $\theta$ là góc hướng.
  • Mức 3 (Chi tiết vi mô): Hạt mồ hôi/lỗ chân lông (pores) trên đường vân, chỉ thu nhận được qua các thiết bị quét độ phân giải cao.

Quy trình chuẩn của hệ thống nhận dạng vân tay tự động (AFIS) theo Maltoni và cộng sự [MMJ09] gồm 5 công đoạn: Lấy mẫu $\rightarrow$ Trích chọn thuộc tính $\rightarrow$ Tạo bản mẫu $\rightarrow$ Lọc trước khi đối sánh $\rightarrow$ Đối sánh và ra quyết định.

+-----------+     +--------------------+     +--------------+
|  Lấy mẫu  | --> | Trích chọn đ.trưng | --> | Tạo bản mẫu  |
+-----------+     +--------------------+     +--------------+
                                                    |
                                                    v
+-----------+     +--------------------+     +--------------+
| Quyết định|<-- |      Đối sánh      | <-- |   Lọc trước  |
+-----------+     +--------------------+     +--------------+

Phương pháp xử lý ảnh và trích xuất đặc trưng

  • Nâng cao chất lượng ảnh: Sử dụng bộ lọc Gabor băng thông với 4 tham số $(\theta, f, \sigma_x, \sigma_y)$ [24]; phương pháp phân tích biến đổi Fourier cục bộ ngắn hạn (STFT) [10]; mô hình học sâu mạng niềm tin sâu tích chập (CDBN) của Sahasrabudhe và cộng sự [65] đạt sai số EER 7,40% trên CSDL FVC2002 so với mức hơn 8% của Gabor và STFT.
  • Trích chọn điểm chạc:
    • Phương pháp nhị phân hóa và làm mảnh đường vân: Xác định điểm chạc dựa trên giá trị số giao cắt crossing number $cn(p) = \frac{1}{2}\sum_{i=1}^{8} |p_i - p_{i+1}|$. Điểm có $cn(p) = 1$ là điểm kết thúc, $cn(p) = 3$ là điểm rẽ nhánh. Áp dụng luật lọc điểm chạc biên và điểm chạc quá gần nhau [87], hoặc đa giác lồi [94] để loại bỏ điểm giả.
    • Phương pháp dò vết trực tiếp trên ảnh đa cấp xám theo Maio và Maltoni [50].
    • Phương pháp học sâu sử dụng mạng tích chập sâu (CNN) đa tầng của Jiang và cộng sự [86], Tang và cộng sự [98].

Mô hình toán học của bài toán đối sánh điểm chạc

Cho hai tập điểm chạc $T = {m_1, m_2, ..., m_M}$ và $I = {m'_1, m'_2, ..., m'_N}$. Hàm biến đổi không gian $H$ bao gồm phép tịnh tiến $T(\Delta x, \Delta y)$ và phép quay ngược chiều kim đồng hồ góc $\theta$:

$$H(m_i) = \begin{bmatrix} \cos\theta & -\sin\theta \ \sin\theta & \cos\theta \end{bmatrix} \begin{bmatrix} x_i \ y_i \end{bmatrix} + \begin{bmatrix} \Delta x \ \Delta y \end{bmatrix}$$

Hai điểm chạc $m'_j$ và $m_i$ được xem là trùng khớp nếu thỏa mãn hai ràng buộc ngưỡng sai lệch:

  1. Sai lệch khoảng cách không gian: $sd(H(m_i), m'_j) = \sqrt{(x'_j - x^H_i)^2 + (y'_j - y^H_i)^2} \le t_s$
  2. Sai lệch hướng: $dd(\theta^H_i, \theta'_j) = \min(|\theta^H_i - \theta'_j|, 360^\circ - |\theta^H_i - \theta'j|) \le t\theta$

Điểm số tương đồng tổng thể giữa hai vân tay được xác định qua công thức:

$$S(T, I) = \frac{k^2}{M \cdot N}$$

Trong đó $k$ là số lượng cặp điểm chạc trùng khớp; $M$ và $N$ lần lượt là tổng số điểm chạc của hai mẫu vân tay đối sánh.

Tiêu chuẩn dữ liệu và chỉ số đánh giá độ chính xác

  • Chuẩn dữ liệu: Chuẩn quốc tế ISO/IEC 19794-2 quy định định dạng lưu trữ vị trí, hướng điểm chạc, cùng các thông tin mở rộng như điểm đơn nhất và số đường vân phân cách.
  • Tập dữ liệu kiểm thử: CSDL chuẩn quốc tế FVC2002 và FVC2004.
  • Chỉ số đánh giá: Tỷ lệ nhận nhầm (False Match Rate - FMR), Tỷ lệ từ chối đúng (False Non-Match Rate - FNMR), Tỷ lệ lỗi cân bằng (Equal-Error Rate - EER), FMR100 (FNMR khi FMR $\le 1%$), FMR1000 (FNMR khi FMR $\le 0,1%$), và ZeroFMR (FNMR tại điểm FMR $= 0%$).

Nội dung chính theo từng chương

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

Chương 1 hệ thống hóa cơ sở lý thuyết về bài toán đối sánh vân tay và khảo sát hai nhóm phương pháp đối sánh chính:

  1. Phương pháp đối sánh toàn cục (Global matching):
    • Giả định tồn tại một phép biến đổi hình học đồng nhất áp dụng cho toàn bộ các điểm chạc. Ratha và cộng sự [60] áp dụng phép biến đổi Hough tổng quát duyệt không gian tham số $(\Delta x, \Delta y, \theta, s)$ để bỏ phiếu tìm bộ tham số tối ưu.
    • Liu và cộng sự [44] phát triển kỹ thuật biến đổi Hough đa mức nhằm giảm không gian tìm kiếm. Chikkerur và cộng sự [15], [81] sử dụng điểm lõi (core) làm mốc căn chỉnh trước (pre-alignment) để giảm độ phức tạp thuật toán.
  2. Phương pháp đối sánh cục bộ (Local matching):
    • Xây dựng cấu trúc biểu diễn dựa trên mối quan hệ giữa điểm chạc trung tâm và các điểm lân cận, có tính chất bất biến với phép quay và tịnh tiến toàn cục.
    • Biểu diễn K-láng giềng gần: Chikkerur và cộng sự [6] đề xuất cấu trúc K-plet phân bố đều các điểm lân cận trong 4 góc phần tư; Kwon và cộng sự [35] chia không gian thành $K$ vùng.
    • Biểu diễn bán kính cố định: Tico và cộng sự [67] lấy mẫu hướng đường vân trên các đường tròn đồng tâm bao quanh điểm chạc.
    • Biểu diễn tam giác: Medina và cộng sự [48] đề xuất cấu trúc $m$-Triplets trích xuất độ dài 3 cạnh $(d_{max}, d_{avg}, d_{min})$ và các góc quay tương đối $(\alpha, \beta)$; kết hợp tam giác hóa Delaunay [16], [18], [55], [72], [74] và Delaunay bậc 1 (1-order Delaunay) [38], [95].
    • Biểu diễn mã trụ MCC (Minutia Cylinder-Code) [8]: Biểu diễn mỗi điểm chạc thành một hình trụ 3D bán kính $R$, chiều cao $2\pi$, chia thành $16 \times 16 \times 6$ ô rời rạc. Mỗi ô lưu xác suất xuất hiện điểm chạc lân cận theo vị trí và góc lệch. Biểu diễn MCC tạo ra vector có độ dài cố định, cho phép tính toán độ tương đồng qua khoảng cách Euclidean hoặc phép toán nhị phân XOR kết hợp đếm bit (chế độ MCC 16b), đạt sai số EER thấp hơn các phương pháp của Jiang [34], Ratha [60] và Feng [21].

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

Chương 2 tập trung phân tích và nâng cao độ chính xác của giai đoạn gia cố (consolidation stage) sau khi đã tìm được tập cặp điểm chạc trùng khớp cục bộ.

  • Khảo sát các kỹ thuật gia cố hiện hữu:

    • Phép biến hình đơn nhất (Single transformation): Lấy cặp điểm có điểm số tương đồng cao nhất làm mốc căn chỉnh toàn cục [67], dễ dẫn đến sai lệch nếu cặp điểm cực đại này là đối sánh sai.
    • Nhiều phép biến hình (Multiple transformations): Medina và cộng sự [47], Feng và cộng sự [21] chọn ra danh sách $T$ cặp điểm có độ tương đồng cao nhất để thử nghiệm các phép căn chỉnh và chọn biến đổi tối ưu.
    • Biến hình phức hợp kết hợp nắn chỉnh: Bazen và cộng sự [4] áp dụng mô hình Thin-Plate Spline (TPS); Kwon và cộng sự [35] dùng nắn chỉnh cục bộ dựa trên tam giác hóa; HTNguyen và cộng sự [82] chia ảnh làm 9 vùng nắn chỉnh TPS. Các phương pháp này tăng độ chính xác nhưng làm tăng đáng kể chi phí tính toán.
    • Gia cố gia tăng (Incremental consolidation): Chikkerur và cộng sự [6] xây dựng cây đối sánh trong K-plet; Conti và cộng sự [90] nối các vùng ảnh; Cao và cộng sự [91] tối ưu hóa cây đối sánh.

  • Thuật toán gia cố đề xuất:

    • Trong phương pháp biến hình truyền thống, các cặp điểm sau căn chỉnh chỉ được kiểm tra độ khớp với cặp điểm mốc trung tâm mà không kiểm tra tính tương thích lẫn nhau giữa các cặp điểm thành phần. Luận án đề xuất cơ chế kiểm tra chéo toàn bộ các cặp điểm:
      1. Sắp xếp các cặp điểm chạc thỏa mãn sau căn chỉnh theo thứ tự độ tương đồng giảm dần.
      2. Lần lượt duyệt từng cặp điểm $(p_i, q_i)$; trước khi đưa vào tập kết quả $K$, cặp $(p_i, q_i)$ phải thỏa mãn ràng buộc khoảng cách và hướng với tất cả các cặp điểm $(p_j, q_j)$ đã có trong $K$.
      3. Nếu vi phạm ràng buộc với bất kỳ cặp điểm nào đã chọn trước đó, cặp điểm đang xét sẽ bị loại bỏ.
Tập ứng viên sau căn chỉnh
           |
           v
  [ Sắp xếp giảm dần ]
  [  theo tương đồng  ]
           |
           v
+-----------------------------+
| Lấy cặp (pi, qi) tiếp theo  | <------+
+-----------------------------+        |
           |                           |
           v                           |
  Khớp với TẤT CẢ các cặp              |
  đã chọn trong K?                     |
       /       \                       |
    (Có)       (Không)                 |
     /           \                     |
    v             v                    |
Thêm vào K      Loại bỏ                |
    \             /                    |
     \           /                     |
      v         v                      |
  Còn ứng viên tiếp theo? --- (Có) ----+
           | (Không)
           v
   Tập đối sánh K chuẩn

  • Phân tích độ phức tạp tính toán:

    • Trường hợp tốt nhất: Không tìm thấy cặp phù hợp, độ phức tạp đạt $O(n)$.
    • Trường hợp xấu nhất: Tất cả các cặp đều tương thích, số phép duyệt là $\frac{n(n-1)}{2}$, tương ứng độ phức tạp $O(n^2)$.
    • Trong thực tế trên CSDL FVC2002 DB1, số cặp điểm chạc trùng khớp trung bình giữa hai vân tay chỉ khoảng 6 cặp. Do đó, số phép kiểm tra bổ sung tối đa chỉ là 36 phép tính, không làm ảnh hưởng đến thời gian thực thi của thuật toán gốc.

  • Đánh giá thực nghiệm: Thuật toán gia cố đề xuất khi tích hợp vào các giải thuật đối sánh K-plet, m-Triplets và MCC đều giúp cải thiện độ chính xác phân loại mà vẫn giữ nguyên tốc độ xử lý (công bố tại [LHHai1], [LHHai4]).

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

Chương 3 trình bày giải pháp phát hiện điểm đơn nhất (core và delta) từ ảnh vân tay phục vụ việc căn chỉnh trước và phân lớp dữ liệu:

  • Khảo sát các thuật toán truyền thống dựa trên bản đồ hướng trường vân (Poincaré index). Các phương pháp này dễ nhận diện sai điểm đơn nhất khi chất lượng ảnh kém, vân bị đứt gãy hoặc mờ nhòe.
  • Đề xuất mô hình học máy sử dụng mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) huấn luyện để định vị trực tiếp vị trí và phân loại điểm đơn nhất trên ảnh vân tay.
  • Kết quả thực nghiệm trên CSDL FVC2002 chứng minh mô hình CNN đạt độ chính xác phát hiện điểm đơn nhất cao hơn các phương pháp truyền thống, nâng cao hiệu quả làm điểm mốc căn chỉnh và lọc dữ liệu (công bố tại [LHHai5]).

Chương 4: Cải tiến hiệu năng đối sánh vân tay quy mô lớn sử dụng GPU

Chương 4 thiết kế và cài đặt thuật toán đối sánh vân tay song song trên bộ xử lý đồ họa GPU phục vụ bài toán định danh trên CSDL lớn:

  • Khảo sát kiến trúc xử lý song song khối lượng lớn (massively parallel) của bộ xử lý GPU NVIDIA, mô hình luồng và bộ nhớ phân cấp.
  • Tùy biến thuật toán đối sánh sử dụng biểu diễn mã trụ MCC: Cấu trúc hóa các vector đặc trưng mã trụ thành các khối dữ liệu phù hợp với bộ nhớ chia sẻ và các lệnh xử lý vector nhị phân trên GPU.
  • Kết quả thực nghiệm trên GPU NVIDIA GeForce GTX 680:
    • Chế độ đối sánh nhanh (fast matching): Đạt tốc độ 8,5 triệu phép đối sánh/giây, tiệm cận kết quả công bố cao nhất của Cappelli và cộng sự [9] (8,6 triệu phép đối sánh/giây).
    • Chế độ đối sánh chi tiết (detailed matching): Đạt tốc độ 1,8 triệu phép đối sánh/giây.
    • Các kết quả này chứng minh khả năng đáp ứng yêu cầu thời gian thực cho các hệ thống định danh quy mô lớn (công bố tại [LHHai2], [LHHai3], [LHHai6]).

Kết quả và những đóng góp mới

  1. Đóng góp về thuật toán đối sánh: Đề xuất phương thức nâng cao độ chính xác của các thuật toán đối sánh vân tay dựa trên điểm chạc bằng cách cải tiến giai đoạn gia cố. Thuật toán bổ sung cơ chế kiểm tra tính tương thích chéo giữa toàn bộ các cặp điểm chạc đã căn chỉnh, loại bỏ các điểm sai lệch cục bộ. Thực nghiệm trên các thuật toán K-plet, MCC, m-Triplets khẳng định độ chính xác được nâng cao mà không làm tăng thời gian thực thi (công bố tại [LHHai1], [LHHai4]).
  2. Đóng góp về trích xuất đặc trưng: Đề xuất kỹ thuật phát hiện điểm đơn nhất dựa trên mạng nơ-ron tích chập (CNN). Kết quả thực nghiệm trên CSDL FVC2002 cho kết quả định vị và nhận dạng điểm đơn nhất tốt hơn so với các phương pháp truyền thống, hỗ trợ hiệu quả cho quá trình căn chỉnh trước và phân loại vân tay (công bố tại [LHHai5]).
  3. Đóng góp về kiến trúc tính toán hiệu năng cao: Đề xuất và cài đặt thuật toán đối sánh vân tay quy mô lớn trên bộ xử lý đồ họa GPU dựa trên biểu diễn mã trụ MCC. Thuật toán được tối ưu cho kiến trúc song song của GPU NVIDIA GTX 680, đạt tốc độ 8,5 triệu phép đối sánh/giây ở chế độ đối sánh nhanh và 1,8 triệu phép đối sánh/giây ở chế độ đối sánh chi tiết (công bố tại [LHHai2], [LHHai3], [LHHai6]).
  4. Kiến nghị ứng dụng: Đề xuất áp dụng giải pháp đối sánh trên GPU kết hợp với biểu diễn chuẩn ISO/IEC 19794-2 vào các hệ thống định danh quốc gia, hệ thống quản lý căn cước công dân và các cổng xác thực điện tử quy mô lớn đòi hỏi phản hồi tức thời.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế: Luận án tập trung nghiên cứu đối sánh trên các tập dữ liệu ảnh thu nhận từ cảm biến điện tử tiêu chuẩn (FVC2002, FVC2004), chưa mở rộng khảo sát trên dữ liệu ảnh vân tay ẩn/vân tay hiện trường (latent fingerprints) vốn có diện tích tiếp xúc nhỏ, độ tương phản rất thấp và mức độ nhiễu phức tạp.
  • Hướng nghiên cứu tiếp:
    • Nghiên cứu áp dụng các mạng học sâu (Deep Learning) vào toàn bộ quy trình từ nâng cao chất lượng ảnh, trích xuất đặc trưng điểm chạc trực tiếp đến giai đoạn đối sánh.
    • Tối ưu hóa thuật toán đối sánh trên các thế hệ vi kiến trúc GPU và hệ thống cụm phân tán mới hơn.
    • Nghiên cứu các giải pháp đối sánh bảo vệ tính bí mật và riêng tư của bản mẫu sinh trắc học vân tay khi lưu trữ và xử lý.

Giá trị tham khảo

  • Đối tượng thụ hưởng:
    • Nghiên cứu sinh, học viên cao học, giảng viên: Chuyên ngành Khoa học máy tính, Kỹ thuật phần mềm, Xử lý ảnh và Thị giác máy tính; cung cấp tài liệu tổng quan và chi tiết về các giải thuật đối sánh vân tay cục bộ, biến đổi Hough, biểu diễn mã trụ MCC và mô hình học sâu CNN trong sinh trắc học.
    • Kỹ sư phần mềm, chuyên gia phát triển hệ thống: Các nhà phát triển hệ thống bảo mật, định danh điện tử, thẻ thông minh (Java Card) và hệ thống căn cước quy mô lớn cần tối ưu hóa hiệu năng tính toán song song trên GPU.
  • Nội dung đáng tham khảo:
    • Thuật toán gia cố cải tiến trong Chương 2 với phân tích độ phức tạp thời gian chi tiết.
    • Cấu trúc biểu diễn và quy trình đối sánh vector hóa mã trụ MCC trên phần cứng GPU trong Chương 4.

Câu hỏi thường gặp

1. Những khó khăn kỹ thuật chủ yếu trong quá trình đối sánh vân tay là gì?
Quá trình đối sánh vân tay gặp khó khăn do sự biến thiên giữa các lần lấy mẫu của cùng một ngón tay: sai lệch vị trí đặt tay (dịch chuyển không gian), góc xoay khác nhau, diện tích vân tay chỉ trùng lặp một phần, biến dạng phi tuyến do lực ép không đều, nhiễu do điều kiện da (quá khô hoặc nhiều mồ hôi), và các lỗi phát hiện sai hoặc thiếu điểm chạc trong quá trình trích xuất đặc trưng.

2. Biểu diễn mã trụ MCC (Minutia Cylinder-Code) có cấu trúc như thế nào và vì sao đạt hiệu năng cao?
Mỗi điểm chạc được biểu diễn bằng một hình trụ 3D chia thành $16 \times 16 \times 6$ ô rời rạc, ghi nhận xác suất xuất hiện và góc lệch hướng của các điểm chạc lân cận. MCC tạo ra vector đặc trưng có kích thước cố định, giúp việc tính độ tương đồng chuyển thành khoảng cách Euclidean hoặc các phép toán nhị phân XOR kết hợp đếm bit (chế độ MCC 16b), rất thuận lợi cho việc song song hóa trên phần cứng tính toán hiệu năng cao.

3. Đề xuất cải tiến giai đoạn gia cố trong Chương 2 giải quyết vấn đề gì?
Các phương pháp gia cố truyền thống chỉ kiểm tra xem các cặp điểm sau căn chỉnh có khớp với cặp điểm mốc trung tâm hay không, dẫn đến việc chấp nhận các cặp điểm sai lệch không tương thích với nhau. Đề xuất của luận án thực hiện kiểm tra chéo tính tương thích hình học giữa toàn bộ các cặp điểm đã chọn, loại bỏ triệt để các cặp điểm sai mà chỉ tốn thêm tối đa 36 phép tính trên CSDL FVC2002 DB1, không làm tăng thời gian thực thi của thuật toán gốc.

4. Tốc độ đối sánh vân tay trên bộ xử lý GPU đạt được trong thực nghiệm là bao nhiêu?
Khi triển khai thuật toán đối sánh MCC tùy biến trên card đồ họa NVIDIA GeForce GTX 680, hệ thống đạt tốc độ 8,5 triệu phép đối sánh/giây ở chế độ đối sánh nhanh (tương đương mức 8,6 triệu phép đối sánh/giây công bố bởi Cappelli và cộng sự [9]) và đạt 1,8 triệu phép đối sánh/giây ở chế độ đối sánh chi tiết.

5. Chuẩn ISO/IEC 19794-2 lưu trữ những thông tin đặc trưng nào của vân tay?
Chuẩn ISO/IEC 19794-2 quy định định dạng trao đổi dữ liệu vân tay mở giữa các hệ thống nhận dạng khác nhau, lưu trữ các thông tin điểm chạc cơ bản gồm vị trí tọa độ $(x, y)$ và hướng góc $\theta$, kèm theo tùy chọn mở rộng lưu trữ thông tin về các điểm đơn nhất (core, delta) và số đường vân phân cách giữa các điểm.

Kết luận

Luận án "Nghiên cứu nâng cao các kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc" đã giải quyết đồng thời hai mục tiêu cốt lõi về độ chính xác và tốc độ trong nhận dạng sinh trắc học vân tay. Tác giả đã đề xuất giải thuật cải tiến giai đoạn gia cố giúp loại bỏ các cặp điểm chạc sai lệch cục bộ, ứng dụng mạng nơ-ron tích chập CNN vào nhận diện điểm đơn nhất, và tối ưu hóa thành công thuật toán đối sánh mã trụ MCC trên nền tảng xử lý song song GPU NVIDIA GTX 680 đạt tốc độ 8,5 triệu phép đối sánh/giây. Các kết quả nghiên cứu đã được công bố trên 6 công trình khoa học ([LHHai1] đến [LHHai6]), mang lại giá trị học thuật và khả năng ứng dụng thực tiễn cao cho các hệ thống định danh sinh trắc học quy mô lớn.