I. Nhận dạng mống mắt Tổng quan và Mục tiêu nghiên cứu
Đồ án tốt nghiệp "Nhận dạng mống mắt người" của sinh viên HCMUTE tập trung vào việc xây dựng hệ thống nhận dạng mống mắt dựa trên hình ảnh. Mục tiêu chính là thiết kế và triển khai một hệ thống sử dụng thuật toán xử lý ảnh để nhận diện mống mắt, sau đó nhúng dữ liệu điều khiển xuống kit Arduino. Đây là một ứng dụng thực tiễn của sinh trắc học mống mắt, kết hợp công nghệ xử lý ảnh và hệ thống nhúng. Đồ án sử dụng MATLAB như môi trường lập trình chính và Arduino làm nền tảng điều khiển. Việc trích xuất đặc trưng mống mắt là một phần quan trọng, tiếp theo là so khớp mống mắt để xác thực danh tính. An ninh sinh trắc học là ứng dụng tiềm năng của hệ thống này.
1.1. Ứng dụng của Nhận dạng Mống mắt
Công nghệ nhận dạng mống mắt mang lại nhiều ứng dụng thực tiễn trong lĩnh vực an ninh sinh trắc học. Hệ thống này có thể được tích hợp vào các hệ thống kiểm soát truy cập, xác thực người dùng trong các hệ thống thông tin quan trọng, hoặc giám sát an ninh. Độ chính xác cao của nhận dạng mống mắt vượt trội so với các phương pháp sinh trắc học khác như nhận dạng khuôn mặt hay nhận dạng vân tay. Sự độc đáo của mỗi mống mắt, cùng với độ khó giả mạo cao, khiến nó trở thành một lựa chọn lý tưởng cho các ứng dụng đòi hỏi độ bảo mật cao. An ninh mạng cũng được hưởng lợi từ công nghệ này, với việc xác thực người dùng được tăng cường đáng kể. Ứng dụng di động cũng là một hướng phát triển tiềm năng. Các hệ thống sinh trắc học như vậy có thể được tích hợp vào các thiết bị di động để bảo vệ dữ liệu cá nhân.
1.2. Thách thức và Giới hạn
Mặc dù nhận dạng mống mắt có nhiều ưu điểm, nhưng cũng tồn tại những thách thức. Chất lượng hình ảnh là yếu tố ảnh hưởng lớn đến độ chính xác của hệ thống. Ánh sáng yếu, góc chụp không phù hợp, hoặc chất lượng camera kém đều gây khó khăn cho việc phân tích mống mắt. Thuật toán nhận dạng cần được tối ưu để đảm bảo tốc độ xử lý nhanh, đặc biệt trong các ứng dụng thực tế. Việc xây dựng cơ sở dữ liệu mống mắt lớn và đa dạng là cần thiết để tăng độ chính xác của hệ thống. Đồ án HCMUTE này chỉ là một bước khởi đầu, cần nghiên cứu thêm để giải quyết các vấn đề về tốc độ xử lý, độ chính xác và khả năng thích ứng với các điều kiện môi trường khác nhau. Vi xử lý trên Arduino có giới hạn về khả năng tính toán, gây ảnh hưởng đến tốc độ hoạt động của toàn hệ thống. Các thuật toán machine learning và deep learning phức tạp hơn có thể được nghiên cứu trong tương lai để cải thiện hiệu suất.
II. Phương pháp và Công nghệ
Đồ án sử dụng MATLAB để triển khai các thuật toán xử lý ảnh, bao gồm các bước trích xuất đặc trưng mống mắt, so khớp mống mắt và phân loại. OpenCV có thể được sử dụng như một thư viện hỗ trợ. Thuật toán IrisCode có thể được áp dụng để trích xuất đặc trưng. Tính toán khoảng cách Hamming được dùng để so khớp. C++ hoặc Python có thể được sử dụng để tối ưu hóa một số phần của hệ thống. Cơ sở dữ liệu lưu trữ ảnh mống mắt. Bộ dữ liệu mống mắt được sử dụng có thể bao gồm CASIA Iris Image Database, UBIRIS v2, hoặc NIST Iris Image Database. Việc đánh giá hệ thống tập trung vào độ chính xác và tốc độ xử lý.
2.1. Xử lý ảnh và Trích xuất đặc trưng
Hệ thống bắt đầu bằng việc tiền xử lý ảnh, bao gồm việc định vị và phân đoạn vùng mống mắt. Phân tích mống mắt bao gồm việc xác định vị trí đồng tử và mống mắt chính xác. Sau đó, các đặc trưng của mống mắt được trích xuất. Thuật toán IrisCode là một phương pháp phổ biến để mã hoá các đặc trưng của mống mắt thành một chuỗi bit ngắn gọn. Việc sử dụng phần mềm MATLAB giúp đơn giản hóa quá trình xử lý ảnh, với nhiều hàm tích hợp sẵn. Các kỹ thuật lọc nhiễu và tăng cường độ tương phản cũng được áp dụng để cải thiện chất lượng ảnh trước khi trích xuất đặc trưng. Xử lý ảnh kỹ thuật số đóng vai trò quan trọng trong việc đảm bảo độ chính xác của quá trình nhận dạng. Phân đoạn ảnh cần được thực hiện một cách chính xác để tách vùng mống mắt khỏi các vùng khác trong ảnh.
2.2. So khớp và Đánh giá
Sau khi trích xuất đặc trưng, hệ thống tiến hành so khớp với các mẫu đã được lưu trữ trong cơ sở dữ liệu. Khoảng cách Hamming là một thước đo phổ biến để so sánh hai chuỗi IrisCode. Một ngưỡng được đặt để xác định xem hai mống mắt có khớp nhau hay không. Độ chính xác của hệ thống được đánh giá dựa trên tỷ lệ nhận dạng chính xác và tỷ lệ nhận dạng sai. Tốc độ xử lý cũng là một yếu tố quan trọng cần được xem xét. Việc sử dụng các thuật toán tối ưu và phần cứng hiệu quả giúp tăng tốc độ xử lý. Đánh giá hệ thống bao gồm việc phân tích kết quả trên các bộ dữ liệu khác nhau, bao gồm cả bộ dữ liệu huấn luyện và bộ dữ liệu kiểm tra. Các chỉ số đánh giá như độ chính xác, độ tin cậy và tốc độ xử lý được sử dụng để đánh giá hiệu quả của hệ thống.
III. Kết quả và Thảo luận
Đồ án đã xây dựng thành công một hệ thống nhận dạng mống mắt cơ bản. Kết quả đạt được cho thấy hệ thống có khả năng nhận dạng mống mắt với độ chính xác tương đối cao trong điều kiện lý tưởng. Tuy nhiên, độ chính xác giảm xuống khi điều kiện ánh sáng hoặc chất lượng ảnh kém. Việc tích hợp với kit Arduino cho phép điều khiển các thiết bị ngoại vi, mở ra nhiều ứng dụng thực tiễn. Đồ án tốt nghiệp HCMUTE này đóng góp vào việc nghiên cứu và ứng dụng công nghệ nhận dạng mống mắt tại Việt Nam.
3.1. Phân tích Kết quả
Kết quả thực nghiệm cho thấy hệ thống đạt được độ chính xác khá tốt trong điều kiện lý tưởng. Tuy nhiên, một số yếu tố như chất lượng ảnh, ánh sáng, và góc chụp ảnh hưởng đến hiệu quả nhận dạng. Độ chính xác của hệ thống cần được cải thiện hơn nữa. Phân tích dữ liệu cho thấy các yếu tố ảnh hưởng đến hiệu suất hệ thống. Dữ liệu huấn luyện cần được mở rộng và đa dạng hơn để cải thiện khả năng tổng quát của hệ thống. Phân tích lỗi giúp xác định những hạn chế của hệ thống và hướng đến việc cải tiến trong tương lai. Kết quả nhận dạng được thể hiện qua các bảng biểu thống kê, trực quan hóa dữ liệu giúp đánh giá hiệu quả của hệ thống.
3.2. Hạn chế và Hướng phát triển
Hệ thống hiện tại còn một số hạn chế. Tốc độ xử lý cần được cải thiện. Khả năng nhận dạng mống mắt trong điều kiện ánh sáng yếu hoặc chất lượng ảnh kém cần được nâng cao. Việc tích hợp với các hệ thống nhúng khác nhau cần được nghiên cứu. Thuật toán nhận dạng hiện tại có thể được tối ưu bằng cách sử dụng các kỹ thuật học sâu (deep learning). Cơ sở dữ liệu cần được mở rộng để bao gồm nhiều mẫu mống mắt hơn, đa dạng về độ tuổi, chủng tộc và điều kiện chụp ảnh. Nghiên cứu về hệ thống nhúng mạnh mẽ hơn có thể được thực hiện để cải thiện hiệu suất hệ thống.
