Nghiên Cứu Mô Hình Nhận Dạng Chữ Ký Viết Tay Sử Dụng Học Sâu CNN

Nghiên cứu mô hình nhận dạng chữ ký viết tay với học sâu CNN. Tìm hiểu phương pháp và ứng dụng công nghệ trong xác thực chữ ký hiệu quả.

• Tác giả: Huỳnh Minh Nhật
• Người hướng dẫn: Ts. Nguyễn Xuân Sâm
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên cứu mô hình nhận dạng chữ ký viết tay sử dụng học sâu CNN
• Loại tài liệu: Luận văn thạc sỹ kỹ thuật
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN VÀ XÂY DỰNG HỆ THỐNG NHẬN DẠNG CHỮ KÝ VIẾT TAY
• 1.1. Các phương pháp nhận dạng chữ ký truyền thống
• 1.2. Machine Learning trong nhận dạng chữ ký viết tay
• 1.2.1. Giới thiệu về machine learning
• 1.2.2. Input và Ouput
• 1.2.3. Random forest trong nhận dạng chữ ký viết tay
• 1.3. Deep Learning (DL) trong nhận dạng chữ ký viết tay
• 1.3.1. Giới thiệu về deep learning
• 1.3.2. Deep learning trong xây dựng hệ thống nhận dạng chữ ký viết tay
• 1.4. Kết luận chương
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC CÔNG TRÌNH LIÊN QUAN
• 2.1. Giới thiệu về mạng nơ-ron
• 2.2. Các phương pháp huấn luyện mạng nơ-ron
• 2.3. Các công trình liên quan
• 2.4. Kết luận chương
• 3. CHƯƠNG 3: MÔ HÌNH NHẬN BIẾT CHỮ KÝ VIẾT TAY
• 3.1. Mô phỏng chương trình nhận biết chữ ký viết tay
• 3.1.1. Giới thiệu chung
• 3.1.2. Công cụ sử dụng
• 3.2. Môi trường mô phỏng thí nghiệm
• 3.3. Kết luận chương
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Nghiên Cứu Nhận Dạng Chữ Ký Tổng Quan Tầm Quan Trọng

Trong lĩnh vực sinh trắc học hành vi, xác minh chữ ký là quy trình quan trọng để xác thực danh tính cá nhân. Chữ ký, được xem là con dấu phê duyệt, vẫn là phương tiện xác thực được ưa chuộng trong các văn bản pháp lý, giao dịch ngân hàng và thương mại. Tuy nhiên, chữ ký viết tay dễ bị lợi dụng cho mục đích lừa đảo. Nghiên cứu xác minh chữ ký nhằm phân biệt chữ ký thật và giả mạo, ngăn chặn gian lận. Hạn chế lớn nhất của chữ ký viết tay là tính không đồng nhất; ngay cả người có kỹ năng cao nhất cũng không thể ký hoàn toàn giống nhau. Do đó, cần nghiên cứu các phương pháp xác minh chữ ký hiệu quả, dựa trên công nghệ hiện đại như học sâu.

1.1. Các Phương Pháp Nhận Dạng Chữ Ký Truyền Thống

Chữ ký viết tay là biểu tượng viết tay đặc trưng của mỗi người. Nó được sử dụng rộng rãi để xác định danh tính, đặc biệt trong các tài liệu quan trọng. Điều này thúc đẩy nghiên cứu xác minh chữ ký để ngăn chặn lạm dụng. Các phương pháp truyền thống dựa trên so sánh hình ảnh và trích xuất đặc trưng thủ công. Tuy nhiên, hiệu suất của các phương pháp này còn hạn chế và chưa đáp ứng được yêu cầu thực tế. Do đó, cần phát triển các mô hình và thuật toán xác minh chữ ký tiên tiến hơn, như Deep Learning for signature recognition.

1.2. Xác Minh Chữ Ký Trực Tuyến và Ngoại Tuyến So Sánh

Xác minh chữ ký có hai loại chính: ngoại tuyến (offline) và trực tuyến (online). Xác minh ngoại tuyến thực hiện trên bản quét chữ ký đã được viết trên giấy. Xác minh trực tuyến diễn ra trực tiếp khi ký trên thiết bị điện tử, tích hợp vào hệ thống. Quy trình xác minh thường bao gồm thu thập dữ liệu, chú thích dữ liệu, xây dựng mô hình và đánh giá mô hình. Các bước này đảm bảo quá trình nhận dạng chữ ký chính xác và hiệu quả.

II. Học Sâu CNN Giải Pháp Nhận Dạng Chữ Ký Tối Ưu Nhất

Học sâu (Deep Learning), đặc biệt là mạng nơ-ron tích chập (CNN), đang trở thành giải pháp mạnh mẽ trong nhận dạng chữ ký. CNN có khả năng tự động trích xuất đặc trưng từ ảnh chữ ký, vượt trội so với phương pháp thủ công. Bài toán đặt ra là làm thế nào để phân biệt chữ ký thật và giả, xác định chủ sở hữu với độ chính xác cao. Mục tiêu của nghiên cứu là biến đổi dữ liệu chữ ký thành thông tin hữu ích bằng mô hình học sâu, phân tích kết quả tốt nhất giữa chữ ký thật và giả mạo. Đây là chủ đề thời sự được quan tâm bởi nhiều nhóm nghiên cứu.

2.1. Mạng Nơ ron Tích Chập CNN trong Nhận Dạng Chữ Ký

Mạng nơ-ron tích chập (CNN) là một mô hình của học sâu (DL), giúp tạo ra các hệ thống thông minh có khả năng phản ứng với độ chính xác cao. Hệ thống phân tích kết quả xác thực chữ ký viết tay bằng các phương pháp học sâu. CNN tự động trích xuất các đặc trưng quan trọng từ ảnh chữ ký, giúp phân loại và nhận dạng chữ ký hiệu quả hơn.

2.2. Ưu Điểm của CNN so với Phương Pháp Machine Learning Khác

Trong khi các phương pháp Machine Learning truyền thống như cây quyết định (Decision Tree) hoặc Random Forest được sử dụng trước đây, CNN mang lại độ chính xác cao hơn nhờ khả năng học các đặc trưng phức tạp. Input của CNN là ảnh chữ ký được gắn nhãn, Output là dự đoán về chủ sở hữu của chữ ký đó. CNN vượt trội trong việc xử lý ảnh và trích xuất các đặc điểm quan trọng.

2.3. Fine tuning CNN và Transfer Learning Cải Thiện Độ Chính Xác

Fine-tuning CNN và Transfer learning là những kỹ thuật quan trọng để cải thiện độ chính xác của mô hình nhận dạng chữ ký. Fine-tuning cho phép điều chỉnh các tham số của mô hình CNN đã được huấn luyện trước đó trên một tập dữ liệu lớn, để phù hợp hơn với tập dữ liệu chữ ký cụ thể. Transfer learning sử dụng kiến thức đã học được từ một mô hình khác để cải thiện hiệu suất của mô hình nhận dạng chữ ký. Cả hai kỹ thuật đều giúp giảm thời gian huấn luyện và tăng độ chính xác.

III. Hướng Dẫn Xây Dựng Mô Hình Nhận Dạng Chữ Ký CNN Chi Tiết

Xây dựng mô hình nhận dạng chữ ký bằng CNN bao gồm nhiều bước, từ tiền xử lý ảnh đến huấn luyện và đánh giá mô hình. Dữ liệu được thu thập, chú thích và chia thành tập huấn luyện và kiểm tra. Kiến trúc CNN được thiết kế phù hợp với đặc điểm của ảnh chữ ký. Quá trình huấn luyện sử dụng thuật toán tối ưu hóa và hàm mất mát phù hợp. Cuối cùng, mô hình được đánh giá trên tập kiểm tra để đảm bảo độ chính xác và khả năng tổng quát hóa. Các công cụ và thư viện như Python, TensorFlow, Keras hỗ trợ quá trình này.

3.1. Các Bước Tiền Xử Lý Ảnh Chữ Ký Quan Trọng Nhất

Tiền xử lý ảnh chữ ký là bước quan trọng để cải thiện chất lượng dữ liệu đầu vào cho mô hình CNN. Các bước bao gồm: chuyển đổi ảnh sang thang độ xám, loại bỏ nhiễu, chuẩn hóa kích thước, căn chỉnh và tăng cường độ tương phản. Tiền xử lý giúp giảm thiểu ảnh hưởng của các yếu tố bên ngoài và làm nổi bật các đặc trưng quan trọng của chữ ký. Điều này giúp mô hình học sâu dễ dàng trích xuất đặc trưng và tăng độ chính xác nhận dạng.

3.2. Thiết Kế Kiến Trúc Mạng CNN Phù Hợp Cho Chữ Ký

Thiết kế kiến trúc mạng CNN phù hợp là yếu tố then chốt để đạt được hiệu suất cao. Kiến trúc thường bao gồm các lớp tích chập (Convolutional), gộp (Pooling), và kết nối đầy đủ (Fully Connected). Số lượng lớp, kích thước bộ lọc, hàm kích hoạt và các siêu tham số khác cần được điều chỉnh cẩn thận để phù hợp với đặc điểm của ảnh chữ ký. Sử dụng các kiến trúc phổ biến như LeNet, AlexNet, VGG hoặc xây dựng kiến trúc tùy chỉnh là những lựa chọn phổ biến.

3.3. Lựa Chọn Tập Dữ Liệu Chữ Ký Yếu Tố Quyết Định Thành Công

Việc lựa chọn tập dữ liệu chữ ký phù hợp là yếu tố quyết định thành công của mô hình nhận dạng. Tập dữ liệu cần đủ lớn, đa dạng và đại diện cho các kiểu chữ ký khác nhau. Các tập dữ liệu công khai như GPDS, MCYT hoặc xây dựng tập dữ liệu riêng là những lựa chọn phổ biến. Đảm bảo rằng tập dữ liệu chứa cả chữ ký thật và giả, với tỷ lệ phù hợp để tránh thiên vị trong quá trình huấn luyện. Tập dữ liệu chữ ký chất lượng cao sẽ giúp mô hình học các đặc trưng quan trọng và cải thiện độ chính xác.

IV. Đánh Giá Ứng Dụng Mô Hình Nhận Dạng Chữ Ký CNN Hiệu Quả

Đánh giá mô hình nhận dạng chữ ký bằng CNN là bước quan trọng để xác định hiệu suất và khả năng ứng dụng. Các chỉ số như độ chính xác (Accuracy), độ thu hồi (Recall), độ đo F1 (F1-score) và diện tích dưới đường cong ROC (AUC) được sử dụng để đánh giá. Mô hình hiệu quả có thể được ứng dụng trong nhiều lĩnh vực như xác thực giao dịch ngân hàng, kiểm soát truy cập, và quản lý tài liệu. Việc triển khai mô hình cần đảm bảo tính bảo mật và tuân thủ các quy định pháp luật.

4.1. Các Chỉ Số Đánh Giá Hiệu Suất Mô Hình Nhận Dạng Chữ Ký

Để đánh giá hiệu suất của mô hình nhận dạng chữ ký, cần sử dụng các chỉ số phù hợp. Độ chính xác (Accuracy) đo lường tỷ lệ dự đoán đúng trên tổng số mẫu. Độ thu hồi (Recall) đo lường khả năng tìm thấy tất cả các chữ ký thật. Độ đo F1 (F1-score) là trung bình điều hòa của độ chính xác và độ thu hồi. Diện tích dưới đường cong ROC (AUC) đánh giá khả năng phân biệt giữa chữ ký thật và giả. Các chỉ số này giúp đánh giá toàn diện hiệu suất của mô hình.

4.2. Ứng Dụng Nhận Dạng Chữ Ký trong Xác Thực Ngân Hàng Tài Chính

Một trong những ứng dụng quan trọng nhất của nhận dạng chữ ký là trong xác thực ngân hàng và tài chính. Mô hình CNN có thể được sử dụng để xác minh chữ ký trên séc, hợp đồng và các tài liệu quan trọng khác. Điều này giúp ngăn chặn gian lận và bảo vệ tài sản của khách hàng. Ứng dụng này đòi hỏi độ chính xác cao và khả năng chống lại các cuộc tấn công giả mạo.

4.3. Tương Lai Của Nghiên Cứu Nhận Dạng Chữ Ký Hướng Phát Triển

Tương lai của nghiên cứu nhận dạng chữ ký hứa hẹn nhiều tiềm năng phát triển. Các hướng nghiên cứu bao gồm: sử dụng các kiến trúc CNN tiên tiến hơn, kết hợp CNN với các phương pháp học máy khác, và phát triển các kỹ thuật chống lại các cuộc tấn công giả mạo. Ngoài ra, việc xây dựng các tập dữ liệu lớn và đa dạng hơn cũng là yếu tố quan trọng để cải thiện độ chính xác và khả năng tổng quát hóa của mô hình.

V. So Sánh Các Mô Hình Học Sâu Đánh Giá Độ Chính Xác Nhận Dạng

Việc so sánh các mô hình học sâu khác nhau trong bài toán nhận dạng chữ ký là rất quan trọng để tìm ra mô hình phù hợp nhất. Các mô hình như CNN, RNN (Recurrent Neural Network), và Transformers có những ưu điểm và nhược điểm riêng. Đánh giá độ chính xác của mỗi mô hình trên cùng một tập dữ liệu giúp xác định mô hình nào mang lại kết quả tốt nhất. Độ chính xác nhận dạng là thước đo quan trọng để đánh giá khả năng của mô hình trong việc phân biệt chữ ký thật và giả.

5.1. So Sánh CNN RNN và Transformers Trong Bài Toán Nhận Dạng Chữ Ký

CNN (Convolutional Neural Network) thường được sử dụng để trích xuất các đặc trưng không gian từ ảnh chữ ký. RNN (Recurrent Neural Network) thích hợp cho việc xử lý các chuỗi dữ liệu, có thể được sử dụng để phân tích quá trình ký chữ ký. Transformers, một kiến trúc mới nổi, có khả năng học các mối quan hệ phức tạp giữa các phần khác nhau của chữ ký. Việc so sánh các kiến trúc này giúp xác định phương pháp nào phù hợp nhất với bài toán nhận dạng chữ ký.

5.2. Các Phương Pháp Đánh Giá Độ Chính Xác Độ Đo F1 ROC AUC...

Độ chính xác, độ thu hồi, độ đo F1, và ROC AUC là những phương pháp phổ biến để đánh giá hiệu suất của mô hình nhận dạng. Độ chính xác đo lường tỷ lệ dự đoán đúng, độ thu hồi đo lường khả năng tìm thấy tất cả các chữ ký thật, độ đo F1 là trung bình điều hòa của độ chính xác và độ thu hồi, và ROC AUC đánh giá khả năng phân biệt giữa chữ ký thật và giả. Việc sử dụng nhiều phương pháp đánh giá khác nhau giúp có cái nhìn toàn diện về hiệu suất của mô hình.

VI. Kết Luận Hướng Nghiên Cứu Nhận Dạng Chữ Ký CNN Trong Tương Lai

Nghiên cứu về nhận dạng chữ ký sử dụng học sâu CNN đã đạt được nhiều tiến bộ đáng kể. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết, như cải thiện độ chính xác, tăng cường khả năng chống lại các cuộc tấn công giả mạo, và mở rộng ứng dụng trong nhiều lĩnh vực khác nhau. Hướng nghiên cứu trong tương lai tập trung vào việc phát triển các mô hình tiên tiến hơn, sử dụng các tập dữ liệu lớn hơn và đa dạng hơn, và kết hợp CNN với các kỹ thuật khác.

6.1. Các Thách Thức Hiện Tại Trong Nhận Dạng Chữ Ký CNN

Mặc dù đã đạt được nhiều tiến bộ, nhận dạng chữ ký bằng CNN vẫn đối mặt với một số thách thức. Độ chính xác có thể bị ảnh hưởng bởi các yếu tố như chất lượng ảnh, biến thể trong chữ ký, và các cuộc tấn công giả mạo. Việc xây dựng các mô hình có khả năng chống lại các cuộc tấn công này là một thách thức lớn. Ngoài ra, việc thu thập và chú thích dữ liệu chữ ký cũng tốn nhiều thời gian và công sức.

6.2. Hướng Nghiên Cứu Phát Triển Nhận Dạng Chữ Ký CNN Tiên Tiến

Hướng nghiên cứu trong tương lai tập trung vào việc phát triển các mô hình CNN tiên tiến hơn, sử dụng các kiến trúc mới như Transformers và Graph Neural Networks. Ngoài ra, việc kết hợp CNN với các kỹ thuật khác như reinforcement learning và active learning cũng hứa hẹn mang lại kết quả tốt. Phát triển các phương pháp chống lại các cuộc tấn công giả mạo và cải thiện khả năng tổng quát hóa của mô hình cũng là những hướng nghiên cứu quan trọng.

Nội dung chính

Tổng quan nghiên cứu

Xác minh chữ ký viết tay là một vấn đề quan trọng trong lĩnh vực sinh trắc học và an ninh thông tin, đặc biệt trong các giao dịch ngân hàng, văn bản pháp lý và các thủ tục hành chính. Theo ước tính, mỗi năm có hàng nghìn vụ gian lận liên quan đến việc giả mạo chữ ký, gây thiệt hại lớn về tài chính và uy tín. Nhu cầu phát triển các hệ thống nhận dạng chữ ký viết tay chính xác và tin cậy ngày càng tăng cao. Mục tiêu nghiên cứu của luận văn là xây dựng mô hình nhận dạng chữ ký viết tay dựa trên kỹ thuật học sâu (Deep Learning), cụ thể là mạng nơ-ron tích chập (CNN), nhằm phân biệt chữ ký thật và giả mạo với độ chính xác cao.

Phạm vi nghiên cứu tập trung vào chữ ký viết tay của người Việt Nam, với bộ dữ liệu thu thập gồm 160 người, mỗi người có 24 chữ ký thật và 30 chữ ký giả mạo, được thực hiện trong môi trường thí nghiệm tại Thành phố Hồ Chí Minh năm 2022. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao hiệu quả xác minh chữ ký, góp phần giảm thiểu rủi ro gian lận trong các giao dịch quan trọng, đồng thời thúc đẩy ứng dụng trí tuệ nhân tạo trong lĩnh vực an ninh và sinh trắc học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: học máy (Machine Learning) và học sâu (Deep Learning). Học máy là lĩnh vực con của trí tuệ nhân tạo, cho phép máy tính học từ dữ liệu mà không cần lập trình rõ ràng. Trong đó, học sâu sử dụng mạng nơ-ron nhân tạo nhiều lớp để trích xuất đặc trưng phức tạp từ dữ liệu đầu vào.

Mạng nơ-ron tích chập (CNN) là mô hình học sâu chủ đạo trong nghiên cứu, gồm các lớp tích chập (convolution), gộp (pooling) và kết nối đầy đủ (fully-connected). CNN có khả năng xử lý dữ liệu hình ảnh hiệu quả nhờ trích xuất đặc trưng không gian và giảm thiểu số lượng tham số. Các khái niệm chính bao gồm:

• Mạng nơ-ron nhân tạo (ANN): Mô phỏng hoạt động của tế bào thần kinh sinh học, gồm các nút (neurons) kết nối với trọng số và hàm kích hoạt.
• Hàm kích hoạt (Activation function): Hàm phi tuyến như ReLU, sigmoid giúp mạng học được các biểu diễn phức tạp.
• Học có giám sát (Supervised Learning): Mô hình được huấn luyện trên dữ liệu có nhãn, trong đó đầu vào là hình ảnh chữ ký và đầu ra là nhãn thật hoặc giả.
• Thuật toán huấn luyện lan truyền ngược (Backpropagation): Cập nhật trọng số mạng dựa trên sai số giữa dự đoán và nhãn thực tế.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ chữ ký viết tay của 160 người Việt Nam, thu thập trong môi trường thí nghiệm với tổng cộng khoảng 8.640 mẫu chữ ký (24 chữ ký thật và 30 chữ ký giả mỗi người). Dữ liệu được xử lý ảnh, chú thích và phân loại thành hai nhóm: chữ ký thật và chữ ký giả.

Phương pháp phân tích sử dụng mô hình CNN được xây dựng trên nền tảng Python với các thư viện mã nguồn mở như TensorFlow, Keras, sklearn và OpenCV. Mô hình được huấn luyện với 10 epoch trên máy tính cấu hình Windows 10, CPU Core i7 3.4GHz, RAM 8GB. Dữ liệu được chia thành các batch với kích thước batch_size phù hợp để tối ưu quá trình huấn luyện.

Quy trình nghiên cứu gồm các bước: thu thập dữ liệu, tiền xử lý ảnh, xây dựng mô hình CNN, huấn luyện và đánh giá mô hình dựa trên các chỉ số độ chính xác và tỷ lệ lỗi. Mô hình CNN được thiết kế với các lớp convolution, max-pooling, batch normalization, dropout nhằm tăng khả năng tổng quát và tránh overfitting.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân biệt chữ ký thật và giả: Mô hình CNN đạt độ chính xác lên đến khoảng 99% sau 10 epoch huấn luyện, vượt trội so với các phương pháp học máy truyền thống như Random Forest với độ chính xác thấp hơn khoảng 85-90%.

2. Hiệu quả trích xuất đặc trưng: Các lớp convolution và pooling trong CNN giúp trích xuất đặc trưng chữ ký hiệu quả, giảm thiểu ảnh hưởng của nhiễu và biến dạng chữ ký. Kích thước kernel 11x11 và hàm kích hoạt ReLU được sử dụng giúp tăng tốc độ huấn luyện và cải thiện độ chính xác.

3. Khả năng chống overfitting: Việc áp dụng kỹ thuật dropout và batch normalization giúp mô hình duy trì hiệu suất ổn định trên tập kiểm tra, với tỷ lệ lỗi kiểm tra dưới 1%, cho thấy mô hình có khả năng tổng quát hóa tốt.

4. So sánh với các kiến trúc CNN khác: Mô hình CNN được xây dựng dựa trên kiến trúc LeNet-5, AlexNet và VGG-16 cho thấy sự cân bằng giữa độ sâu mạng và hiệu suất tính toán. VGG-16 với các kernel nhỏ 3x3 cho hiệu quả cao nhưng yêu cầu tài nguyên tính toán lớn hơn, trong khi LeNet-5 đơn giản hơn nhưng vẫn đạt độ chính xác cao trong bài toán nhận dạng chữ ký.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu quả cao của mô hình là khả năng học đặc trưng đa tầng của CNN, giúp phân biệt các chi tiết nhỏ trong chữ ký thật và giả. Kết quả này phù hợp với các nghiên cứu trong và ngoài nước về ứng dụng học sâu trong nhận dạng sinh trắc học. Việc sử dụng bộ dữ liệu chữ ký của người Việt Nam cũng giúp mô hình thích ứng tốt với đặc điểm chữ ký địa phương, tăng tính thực tiễn.

Biểu đồ so sánh độ chính xác giữa các mô hình CNN và Random Forest minh họa sự vượt trội rõ rệt của CNN. Bảng kết quả đánh giá chi tiết cho thấy tỷ lệ lỗi giảm dần qua các epoch, đồng thời độ chính xác trên tập kiểm tra ổn định, chứng tỏ mô hình không bị quá khớp dữ liệu huấn luyện.

Ý nghĩa của kết quả là mô hình CNN có thể được ứng dụng rộng rãi trong các hệ thống xác minh chữ ký tự động, góp phần nâng cao an toàn và giảm thiểu rủi ro gian lận trong các giao dịch tài chính và pháp lý.

Đề xuất và khuyến nghị

1. Mở rộng bộ dữ liệu huấn luyện: Tiếp tục thu thập thêm chữ ký từ nhiều đối tượng và vùng miền khác nhau để tăng tính đa dạng và cải thiện độ chính xác mô hình. Mục tiêu đạt khoảng 500-1000 người trong vòng 1-2 năm, do các tổ chức nghiên cứu và ngân hàng phối hợp thực hiện.

2. Tối ưu hóa mô hình CNN: Nghiên cứu áp dụng các kiến trúc CNN tiên tiến hơn như ResNet hoặc EfficientNet để nâng cao hiệu suất nhận dạng, đồng thời giảm thiểu tài nguyên tính toán. Thời gian thực hiện trong 6-12 tháng bởi nhóm phát triển AI.

3. Phát triển hệ thống xác minh chữ ký trực tuyến: Tích hợp mô hình CNN vào các thiết bị đầu cuối như máy tính bảng hoặc smartphone để xác minh chữ ký trực tiếp, hỗ trợ giao dịch điện tử an toàn. Dự kiến triển khai thử nghiệm trong 1 năm, phối hợp với các công ty công nghệ và ngân hàng.

4. Đào tạo và nâng cao nhận thức người dùng: Tổ chức các khóa đào tạo cho nhân viên ngân hàng, cơ quan pháp lý về cách sử dụng hệ thống xác minh chữ ký tự động, đồng thời nâng cao ý thức phòng chống gian lận chữ ký. Thời gian thực hiện liên tục, do các tổ chức đào tạo và cơ quan quản lý chịu trách nhiệm.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành công nghệ thông tin, trí tuệ nhân tạo: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng CNN trong nhận dạng chữ ký, giúp phát triển các đề tài nghiên cứu liên quan.

2. Ngân hàng và tổ chức tài chính: Hệ thống xác minh chữ ký tự động giúp giảm thiểu rủi ro gian lận, nâng cao hiệu quả kiểm soát giao dịch, đảm bảo an toàn tài chính.

3. Cơ quan pháp lý và hành chính: Ứng dụng mô hình trong xác minh chữ ký trên các văn bản pháp lý, hồ sơ hành chính, góp phần tăng tính minh bạch và chính xác trong xử lý hồ sơ.

4. Doanh nghiệp công nghệ phát triển phần mềm sinh trắc học: Tham khảo để phát triển các sản phẩm xác minh chữ ký viết tay tích hợp trí tuệ nhân tạo, mở rộng thị trường ứng dụng.

Câu hỏi thường gặp

1. Mô hình CNN có ưu điểm gì so với các phương pháp truyền thống trong nhận dạng chữ ký?
   CNN tự động trích xuất đặc trưng từ ảnh chữ ký, giảm thiểu sự phụ thuộc vào kỹ thuật xử lý thủ công, cho độ chính xác cao hơn và khả năng tổng quát hóa tốt hơn so với các phương pháp như Random Forest hay SVM.

2. Bộ dữ liệu chữ ký trong nghiên cứu có đủ lớn để huấn luyện mô hình không?
   Bộ dữ liệu gồm 160 người với tổng số khoảng 8.640 mẫu chữ ký là cơ sở ban đầu đủ để huấn luyện mô hình CNN đạt độ chính xác cao. Tuy nhiên, mở rộng dữ liệu sẽ giúp cải thiện hơn nữa hiệu suất và khả năng áp dụng thực tế.

3. Mô hình có thể áp dụng cho chữ ký của người nước ngoài không?
   Mô hình được huấn luyện trên chữ ký người Việt Nam nên hiệu quả tốt nhất với đặc điểm chữ ký này. Để áp dụng cho chữ ký nước ngoài, cần thu thập dữ liệu tương ứng và huấn luyện lại hoặc tinh chỉnh mô hình.

4. Thời gian xử lý một chữ ký để xác minh là bao lâu?
   Với cấu hình máy tính hiện tại, thời gian xử lý một ảnh chữ ký và đưa ra kết quả nhận dạng chỉ trong vài giây, phù hợp cho các ứng dụng thực tế như giao dịch ngân hàng.

5. Có thể tích hợp mô hình vào thiết bị di động không?
   Có thể, với việc tối ưu hóa mô hình và sử dụng các framework hỗ trợ di động như TensorFlow Lite, mô hình CNN có thể được triển khai trên smartphone hoặc tablet để xác minh chữ ký trực tiếp.

Kết luận

• Luận văn đã xây dựng thành công mô hình nhận dạng chữ ký viết tay dựa trên mạng nơ-ron tích chập (CNN) với độ chính xác khoảng 99%.
• Mô hình sử dụng bộ dữ liệu chữ ký của người Việt Nam, phù hợp với đặc điểm địa phương và có khả năng ứng dụng thực tiễn cao.
• Kỹ thuật học sâu giúp trích xuất đặc trưng hiệu quả, giảm thiểu lỗi và tăng khả năng phân biệt chữ ký thật – giả.
• Các kiến trúc CNN như LeNet-5, AlexNet và VGG-16 được phân tích và áp dụng phù hợp với yêu cầu bài toán.
• Đề xuất mở rộng dữ liệu, tối ưu mô hình và phát triển hệ thống xác minh chữ ký trực tuyến trong các bước phát triển tiếp theo.

Các tổ chức nghiên cứu và doanh nghiệp công nghệ nên phối hợp triển khai mở rộng bộ dữ liệu và thử nghiệm mô hình trong môi trường thực tế để hoàn thiện hệ thống xác minh chữ ký tự động, góp phần nâng cao an toàn và hiệu quả trong các giao dịch quan trọng.

Trích đoạn nội dung tài liệu

HàC VIÆN CÔNG NGHÆ B¯U CHÍNH VIÄN THÔNG --------------------------------------- HUþNH MINH NHĀT NGHIÊN CĀU MÔ HÌNH NHÀN D¾NG CHþ KÝ VI¾T TAY SĀ DĀNG HàC SÂU CNN LUÀN VN TH¾C SỸ KỸ THUÀT (Theo đßnh h°áng āng dāng) TP. Hâ CHÍ MINH – NM 2022 HàC VIÊN CÔNG NGHÊ B¯U CHÍNH VIÈN THÔNG --------------------------------------- HUþNH MINH NHĀT NGHIÊN CĀU MÔ HÌNH NHÀN D¾NG CHþ KÝ VI¾T TAY SĀ DĀNG HàC SÂU CNN CHUYÊN NGÀNH: HÊ THàNG THÔNG TIN Mà Sà: 8.04 LUÀN VN TH¾C SỸ KỸ THUÀT (Theo đßnh h°áng āng dāng) NG¯âI H¯àNG D¾N KHOA HàC: TS. NGUYÄN XUÂN SÂM TP. Hâ CHÍ MINH – NM 2022 i LâI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi.

Các sá liËu, kÃt quÁ nêu trong luÁn văn là trung thăc và ch°a từng đ°ÿc ai công bá trong b¿t kỳ công trình nào khác. Ngo¿i trừ nhāng tài liËu tham khÁo đ°ÿc trích d¿n thì không có đo¿n văn nào đ°ÿc công bá trên các t¿p chí khoa hác, luÁn văn trong và ngoài n°ác. Ch°¢ng trình demo là ch°¢ng trình đã đ°ÿc cÁi thiËn tát nh¿t và ch°a đ°ÿc công bá hay b¿t kỳ mßt ai đã làm nh° kÃt quÁ đ¿t đ°ÿc. TPHCM, ngày 25 tháng 01 năm 2022 Hác viên thāc hiÇn luÁn vn Huÿnh Minh Nhāt ii LâI CÀM ¡N Tr°ác tiên, tôi xin chân thành cÁm ¢n ThÁy TS.NguyÅn Xuân Sâm đã tÁn tình h°áng d¿n và t¿o mái điÅu kiËn thuÁn lÿi đÇ tôi hoàn thành tát luÁn văn này.

Tôi cũng xin gÿi lãi cÁm ¢n đÃn Quý ThÁy Cô t¿i Hác ViËn Công NghË B°u Chính ViÉn Thông C¢ så Thành phá Hß Chí Minh đã tÁn tình giÁng d¿y và trang bß cho tôi nhāng kiÃn thức quý báu trong quá trình tham gia hác tÁp t¿i Tr°ãng. Tôi chân thành biÃt ¢n sâu sÃc đÃn gia đình và b¿n bè đã đßng viên và giúp đỡ tôi hoàn thành khóa hác này. TPHCM, ngày 25 tháng 01 năm 2022 Hác viên thāc hiÇn luÁn vn Huÿnh Minh Nhāt iii MĀC LĀC LâI CAM ĐOAN .iii DANH MĀC CÁC THUÀT NGĀ, CHĀ VIÂT TÂT. v DANH SÁCH HÌNH VÀ.

Tính c¿p thiÃt của đÅ tài. Táng quan v¿n đÅ nghiên cứu. Māc tiêu nghiên cứu. Đái t°ÿng, ph¿m vi nghiên cứu.

Ph°¢ng pháp nghiên cứu. 2 CH¯¡NG 1: TàNG QUAN VÄ XÂY DĂNG HÊ THàNG NHÀN D¾NG CHĀ KÝ VIÂT TAY .1 Các ph°¢ng pháp nhÁn d¿ng chā ký viÃt tay truyÅn tháng .2 Machine Learning trong nhÁn d¿ng chā ký viÃt tay .1 Giái thiËu vÅ machine learning .2 Input và Ouput .3 Random forest trong nhÁn d¿ng chā ký viÃt tay .3 Deep Learning (DL) trong nhÁn d¿ng chā ký viÃt tay .1 Giái thiËu vÅ deep learning .2 Deep learning trong xây dăng hË tháng nhÁn d¿ng chā ký viÃt tay .4 KÃt luÁn ch°¢ng. 11 CH¯¡NG 2: C¡ Sä LÝ THUYÂT VÀ CÁC CÔNG TRÌNH LIÊN QUAN.2 Mßt sá kiÇu m¿ng n¢-ron .3 Các ph°¢ng pháp hu¿n luyËn m¿ng n¢-ron .2 Các công trình liên quan.3 KÃt luÁn ch°¢ng. 35 iv CH¯¡NG 3: MÔ HÌNH NHÀN BIÂT CHĀ KÝ VIÂT TAY .1 Mô phßng ch°¢ng trình nhÁn biÃt chā ký viÃt tay .1 Giái thiËu chung .2 Công cā sÿ dāng .2 Môi tr°ãng mô phßng thăc nghiËm .3 KÃt luÁn ch°¢ng.

46 KÂT LUÀN VÀ H¯àNG PHÁT TRIÆN. 47 DANH MĀC CÁC TÀI LIÊU THAM KHÀO. 49 v DANH MĀC CÁC THUÀT NGþ, CHþ VI¾T TÂT Vi¿t tÃt Ti¿ng Anh Ti¿ng ViÇt CNN Convolutional Neural Network M¿ng thÁn kinh tích chÁp ANN Artificial Neural Networks M¿ng N¢-ron SNN Simulated Neural nNetworks M¿ng N¢-ron mô phßng kNN K-nearest Neighbors GiÁi thuÁt hàng xóm gÁn nh¿t SVM Support vector machine Máy vector hỗ trÿ GPU Graphics Processing Unit Bß xÿ lý đß háa AI Artificial Intelligence Trí thông minh nhân t¿o RGB Red Green Blue Mô hình màu Red Green Blue ML Machine Learning Máy hác DL Deep Learning Hác sâu HMM Hidden Markov Model Mô hình Markov ẩn SOM Self Origanizing Map BÁn đß tă tá chức vi DANH SÁCH HÌNH VẼ Hình 1. Táng quan vÅ Quy trình Nghiên cứu.

Hình Ánh chā ký trong quá trình thu thÁp. Ví dā vÅ Chā ký đ°ÿc CÃt và Dán nhãn. Táng quan vÅ xây dăng thuÁt toán xác minh chā ký. KiÃn trúc của 1 mô hình nhÁn d¿ng chā ký [1].

Mô tÁ thuÁt thoán random forest. M¿u training set trong random forest. Áp dāng random forest vào nhÁn d¿ng chā ký. Mái liên hË AI, ML, DL.

Deep learning trong nhÁn d¿ng chā ký viÃt tay. Hàm đßng nh¿t (Identify function). Hàm b°ác nhß phân. Hàm sigmoid l°ỡng căc.

M¿ng n¢-ron truyÅn thẳng nhiÅu láp (Feed-forward neural network). M¿ng n¢-ron hßi quy (Recurrent neural network)&&&&&&&&&17 Hình 2. Mô hình hác có giám sát (Supervised learning model). Mô phßng m¿ng n¢-ron tích chÁp.

Minh háa tích chÁp. Ành mã sau khi chÁp. Mô phßng sá làm mã Ánh (b°ác 1). Mô phßng sá làm mã Ánh (b°ác 2).

Ành đ°ÿc phát hiËn biên sau khi chÁp. KiÃn trúc LeNet-5&&&&&&&&&&&&&&&&&&&&. KiÃn trúc AlexNet&&&&&&&&&&&&&&&&&. KiÃn trúc VGG-16.

Quá trình import th° viËn&. Chia dā liËu đÁu vào thành 2 nhóm thÁt và giÁ. Hàm l¿y ra 2 chā thÁt và 1 chā ký giÁ từ bß dā liËu đã đ°ÿc chia. Hàm t¿o các cặp dā liËu theo kích th°ác batch_size&&&&&&&&.

Mô hình CNN&&&&&&&&&&&&&&&&&&&&&&&. Tính toán ng°ỡng và đß chính xác sau khi train model&&&&. Hàm kiÇm tra chā ký thÁt giÁ&&&&&&&&&&&&&&&&&. KÃt quÁ chā ký thÁt lÁn 1&&&&&&&&&&&&&&&&&&&44 Hình 3.

KÃt quÁ chā ký thÁt lÁn 2. KÃt quÁ chā ký thÁt lÁn 3&&&&&&&&&&&&&&&&&&. KÃt quÁ chā ký thÁt lÁn 4&&&&&&&&&&&&&&&&&&. KÃt quÁ chā ký giÁ lÁn 1&&&&&&&&&&&&&&&.

KÃt quÁ chā ký giÁ lÁn 2&&&&&. KÃt quÁ chā ký giÁ lÁn 3&&&&&&. KÃt quÁ chā ký giÁ lÁn 4&&&&&&. Tính c¿p thi¿t cÿa đÁ tài Trong lĩnh văc sinh trÃc hác hành vi, viËc xác minh chā ký là quy trình tham chiÃu đÇ xác thăc mßt ng°ãi.

Chā ký đ°ÿc coi là <con d¿u phê duyËt= đÇ xác minh să ch¿p thuÁn của ng°ãi dùng và v¿n là ph°¢ng tiËn xác thăc đ°ÿc °a chußng nh¿t. Chā ký viÃt tay ván áp đặt trách nhiËm pháp lý vÅ tài chính và đ¿o đức, là mßt kỹ thuÁt xác thăc v¿n đ°ÿc sÿ dāng rßng rãi ngày nay, đặc biËt trong các văn bÁn pháp lý, giao dßch ngân hàng và th°¢ng m¿i. Do đó, chā ký viÃt tay th°ãng bß các k¿ x¿u lÿi dāng và sÿ dāng đÇ lừa đÁo. ĐÇ ngăn chặn gian lÁn và māc đích x¿u, xác minh chā ký đ°ÿc sÿ dāng nhằm xác minh viËc phân biËt chā ký giÁ m¿o vái chā ký thÁt.

H¿n chà quan tráng của chā ký viÃt tay là chúng không thÇ sao chép theo cùng mßt cách. Các chā ký có thÇ khác nhau tùy thußc vào dāng cā viÃt đ°ÿc sÿ dāng (bút chì, gi¿y. Ngay cÁ nhāng ng°ãi tài năng nh¿t cũng không bao giã có thÇ ký cùng mßt chā ký theo cùng mßt cách. Māc tiêu kÃt quÁ đ¿t của hË tháng là: Phân biËt chā ký viÃt tay thÁt hay giÁ dăa trên kỹ thuÁt hác sâu.

Ph°¢ng pháp hác sâu đ°ÿc nghiên cứu là thuÁt toán M¿ng N¢-ron tích chÁp (CNN). Tång quan v¿n đÁ nghiên cāu M¿ng N¢-ron tích chÁp (CNN) là mßt trong nhāng mô hình của Hác sâu (DL). Tác dāng của thuÁt toán này chính là giúp chúng ta t¿o ra nhāng hË tháng thông minh, có să phÁn ứng vái đß chính xác cao. HË tháng phân tích kÃt quÁ xác thăc chā ký viÃt tay đ°ÿc chứa båi nhāng ph°¢ng pháp hác sâu (DL).

Māc tiêu nghiên cāu Xác thăc chā ký viÃt tay đÇ phân biËt chā ký viÃt tay thÁt hay giÁ đÇ ngăn chặn viËc k¿ x¿u lÿi dāng trong các giao dßch ngân hàng, văn bÁn pháp lý và th°¢ng m¿i&. 2 Nßi dung chính là viËc biÃn đái dā liËu thu thÁp này thành thông tin bằng mô hình hác sâu nhằm phân tích kÃt quÁ tát nh¿t của chā ký thÁt và giÁ m¿o. V¿n đÅ nghiên cứu trên đang là mßt chủ đÅ thãi să và đ°ÿc nhiÅu nhóm nghiên cứu trong và ngoài n°ác r¿t quan tâm. Đái t°ÿng, ph¿m vi nghiên cāu Đái t°ÿng nghiên cứu: Các chā ký viÃt tay của ng°ãi ViËt Nam Ph¿m vi nghiên cứu: Nghiên cứu kỹ thuÁt xÿ lý Ánh các chā ký viÃt tay của ng°ãi ViËt.

Ph°¢ng pháp nghiên cāu Phương pháp lý thuyết: Dăa trên các tài liËu vÅ c¢ så lý thuyÃt vÅ xÿ lý Ánh sá, lác trích Ánh sá. Sÿ dāng ngôn ngā Python đÇ xây dăng hË tháng dăa trên thuÁt toán M¿ng N¢-ron vÅ nhÁn d¿ng chā ký viÃt tay. Phương pháp thực nghiệp: Xây dăng ch°¢ng trình thÿ nghiËm và kiÇm thÿ tính hiËu của ch°¢ng trình vái nhāng chā ký viÃt tay của ng°ãi ViËt. Bá cāc luÁn vn Ngoài phÁn må đÁu, māc lāc, kÃt luÁn và tài liËu tham khÁo, nßi dung chính của luÁn án đ°ÿc chia thành 3 ch°¢ng, cā thÇ nh° sau: Ch°¢ng 1: Táng quan vÅ xây dăng hË tháng.

Ch°¢ng 2: C¢ så lý thuyÃt và các công trình liên quan. Ch°¢ng 3: Mô hình nhÁn biÃt chā ký viÃt tay. 3 CH¯¡NG 1: TäNG QUAN VÀ XÂY DĀNG HÆ THàNG NHÀN D¾NG CHþ KÝ VI¾T TAY 1.1 Các ph°¢ng pháp nhÁn d¿ng chÿ ký vi¿t tay truyÁn tháng Chā ký viÃt tay là mßt biÇu t°ÿng viÃt tay của con ng°ãi. Chā ký [1] còn là mßt công cā phá biÃn đÇ xác đßnh danh tính của mßt ng°ãi, đặc biËt là vÅ mặt phê chuẩn các tài liËu mÁt.

ĐiÅu này d¿n đÃn nhu cÁu nghiên cứu thêm vÅ xác minh chā ký, nhằm ngăn chặn viËc các bên thiÃu trách nhiËm lÿi dāng chā ký. Mỗi con ng°ãi có mßt cái gì đó có thÇ đ°ÿc sÿ dāng làm bằng chứng vÅ danh tính, chẳng h¿n nh°: chā ký, d¿u vân tay, khuôn mặt,. Ngày nay, hÁu hÃt các công ty trong lĩnh văc ngân hàng và các lĩnh văc khác dăa vào chā ký đÇ xác minh danh tính của ai đó. Do tÁm quan tráng của chā ký của mßt ng°ãi nào đó trong hË tháng, luôn có nguy c¢ sÿ dāng sai chā ký của các bên thiÃu trách nhiËm.

ViËc l¿m dāng bao gßm giÁ m¿o chā ký đÇ làm sai lËch danh tính của ai đó đÇ xâm nhÁp vào hË tháng hoặc truy cÁp các tài liËu bí mÁt. Båi vì tình tr¿ng đáng lo ng¿i này, các nhà nghiên cứu đã tiÃn hành mßt sá nghiên cứu vÅ chā ký xác minh bằng cách sÿ dāng các ph°¢ng pháp khác nhau [1],[2]. Nghiên cứu tÁp trung vào xác minh xem chā ký đã cho là thÁt hay giÁ. Mặc dù có nhiÅu nghiên cứu vÅ xác minh chā ký, hiËu su¿t của các ph°¢ng pháp đã đ°ÿc phát triÇn v¿n ch°a đ¿t yêu cÁu.

Ngoài ra, hÁu hÃt các ph°¢ng pháp chỉ sÿ dāng máy hác truyÅn tháng. Do đó, chúng tôi phát triÇn các mô hình và xác minh chā ký các thuÁt toán sÿ dāng hác sâu. Ng°ãi ta mong đÿi rằng să phát triÇn của mô hình này và thuÁt toán sÁ cÁi thiËn hiËu su¿t và đß chính xác của các xác minh chā ký hiËn t¿i.