Mở đầu: giới thiệu ngắn gọn về luận văn, lý do lựa chọn đề tài, mục tiêu của đề tài, đối tượng, phạm vi nghiên cứu, ý nghĩa khoa học và thực tiễn của đề tài. — Chương 2: Tổng quan: Giới thiệu tổng quan về sinh trắc học, trình bày các lợi ích mà sinh trắc học mang lại, giới thiệu mô hình và các bước nhận dạng vân lòng bàn tay, đồng thời nêu lên những khó khăn và thử thách trong việc nhận dang vân lòng ban tay. — Chương 3: Các công trình nghiên cứu liên quan: Trình bày một số phương pháp cũng như các hướng tiếp cận hiện nay đang được sử dung dé rút trích đặc trưng trong nhận dạng vân lòng bàn tay như phương pháp dựa trên một hướng, phương pháp dựa trên nhiều hướng, thống kê hướng cục bộ và phương pháp biểu diễn đặc trưng dựa vào học. — Chương 4: Phương pháp đề xuất: Chương này giới thiệu mô hình phương pháp đề xuất, các thuật toán được sử dụng và đề xuất phương pháp dùng kỹ thuật có đặc trưng phân biệt học tập mới, gọi là Mẫu nhiều hướng phân biệt (DMDP) kết hợp với kỹ thuật tách lớp tuyến tính hai chiều (2D)?LDA) dé nhận dạng vân lòng bàn tay với mục đích đạt được độ chính xác cao và tốc độ xử lý nhanh hơn.
Sau đó đưa ra ví dụ minh họa thuật toán phương pháp đề xuất. — Chương 5: Kết quá thực nghiệm: Chương này trình bày kết quả của phương pháp đề xuất dựa trên bộ dit liệu công khai của Dai học Bách khoa. Hồng Kông (PolyU và ITD), sau đó tiến hành so sánh kết quả của phương pháp đề xuất so với các kết quả của các phương pháp trước đó. — Chương 6: Kết luận và kiến nghị: Chương này đưa ra kết luận nghiên cứu của luận văn, trình bay những nội dung đạt được nhằm đóng góp cho bài toán nhận dang vân long ban tay, đồng thời đưa ra hướng phát triển trong tương lai.
Giới thiệu Sinh trắc học là công nghệ sử dụng những thuộc tính vật lý, đặc điểm sinh học đặc trưng riêng của mỗi cá nhân như vân tay, mống mắt, khuôn mặt, giọng nói,. Sinh trắc học được xem là công cụ nhận dạng cá nhân hữu hiệu, phổ biến và ngày càng cung cấp mức độ an toàn cao hơn, tính hiệu quả cao hơn và càng thuận tiện cho người dùng. Vì vậy, các hệ thống sinh trắc đang được triển khai và thử nghiệm ngày càng nhiều trong cuộc sống hàng ngày như các khu vực quản lý thuộc chính phủ (xuất nhập cảnh, căn cước công dân, bằng lái xe.), khu dân sinh (thẻ thông minh, đăng nhập mạng máy tính, .), thương mại điện tử, quản lý chấm công 6 các công ty. Nhiều công nghệ sinh trắc đã và đang được phát triển tại nhiều nước trên thé giới, một số chúng đang được sử dụng trong các ứng dụng thực tế.
Các đặc trưng sinh trắc thường được sử dụng là vân tay, khuôn mặt, mống mắt, tiếng nói,. Mỗi đặc trưng sinh trắc có điểm mạnh và có điểm yếu riêng nên việc sử dụng đặc trưng sinh trắc cụ thể là tùy thuộc vào yêu cầu của mỗi ứng dụng nhất định. Các đặc trưng sinh trắc có thé được so sánh dựa vào các yếu tố sau: tính phô biến, tính phân biệt, tính ôn định, tính thu thập, tính hiệu quả và tính chấp nhận. Vân lòng bàn tay được biết tới với tính phân biệt (tính chất cá nhân) và ồn định theo thời gian là đặc trưng sinh trắc được sử dụng rộng rãi nhất.
Dựa vào một số đặc điểm thì vân lòng ban tay được chia thành ba thành phần: phần đường chính, phần nếp nhăn, phần đường vân như trong Hình 2. Trong đó, phần đường chính là những đường rõ nhất; phần nếp nhăn ít đều và rõ hơn đường nếp chính và các đường vân là những đường đều đặn giống các đường vân của ngón tay. Những đặc điểm này có ưu điểm là chúng có tính phân biệt cao và tính ôn định theo thời gian [1]. Các thành phần của vân lòng ban tay [1] Nói chung, bài toán nhận dạng vân lòng bàn tay là bài toán nhận dạng mẫu trực quan với mục đích là giải quyết hai bài toán nhỏ là bài toán xác thực (Verification) và và bài toán định danh (Identification) [4].
—_ Đối với bài toán xác thực: là quy trình đối sánh một-một, nếu cả 2 ảnh vân lòng bàn tay được đối sánh đều từ cùng một lòng bàn tay thì sẽ cho kết quả là trùng khớp. Trường hợp ngược lại thì sẽ cho kết quả là không trùng khớp. — Đối với bài toán định danh: là quy trình đối sánh một-nhiều, đầu vào của bài toán này là một ảnh vân lòng bàn tay, hệ thống sẽ đối sánh với một bộ dữ liệu ảnh vân lòng bàn tay đã được huấn luyện, sau đó sẽ trả về kết quả đó là vân lòng bàn tay của ai, hoặc kết quả không có giá trị nếu mẫu đó không có trong bộ huấn luyện. Mô hình nhận dang vân lòng ban tay Hình 2.2 mô tả hệ thống nhận dang vân lòng bàn tay được.
Quy trình nhận dang thường trải qua năm bước bao gồm: thu nhận hình ảnh, phân đoạn vùng ROI, rút trích đặc trưng, so khớp và kết quả. Chỉ tiết các bước được thể hiện như sau: Ảnh Phân đoạn Rút trích đặc vân lòng bản tay So khớp Kết quả vùng ROI trưng Hình 2. Mô hình hệ thống nhận dạng vân lòng bàn tay 2. Thu nhận hình ảnh Ảnh vân lòng ban tay có thé được thu thập thông qua các ảnh chụp từ các thiết bị máy quét như webcam, máy ảnh kỹ thuật số hoặc các thiết bị chuyên dụng.
Đề thu được ảnh vân lòng bàn tay tự nhiên nhất thì các thiết bị nhận đạng vân lòng bàn tay nên được thiết kế với điều kiện không có các chốt có định vị trí bàn tay nào bởi vì các chốt cố định có thể tạo ra sự biến dạng cũng như hạn chế vị trí đặt của lòng bàn tay. Phân đoạn vùng ROI Trong giai đoạn này, một vùng phụ chứa thông tin phân biệt ở trung tâm của lòng bàn tay được phân đoạn và sử dụng để mở rộng đối tượng nhằm cung cấp một bộ mô tả với nhiều phân tách chủ thể [2], [3]. Mục đích của việc phân đoạn là lọc nhiễu, nâng cao chất lượng hình ảnh và thực hiện các bước canh chỉnh, chuẩn hóa ánh sáng. Quy trình trích xuất vùng ROI có thể được diễn tả theo các bước sau: bước một, ảnh vân lòng bàn tay ban đầu được đối chiếu với bộ lọc Gaussian đê làm mịn ảnh, sau đó sử dụng thuật toán phân ngưỡng điêm ảnh (OTSU) được chuyển đổi thành hình ảnh nhị phân bằng cách phân ngưỡng để có được ranh giới của ảnh nhị phân.
Cuối cùng, vị trí ba điểm lõm giữa tắt cả các ngón tay trừ ngón cái và ngón trỏ được chọn làm ROI của ảnh vân lòng bàn tay như Hình 2. Vùng ROI được trích xuất từ ảnh vân lòng bàn tay [2] Ngoài ra, Mouad và cộng sự [5] sử dụng khoảng cách Euclidean (ED) để trích xuất ROI từ các ảnh vân lòng bàn tay. Các bước của thuật toán được bắt đầu bằng cách tính khoảng cách Euclide cho tắt cả các pixel trên đường biên đến điểm tâm, sau đó vẽ các giá trị ED thành Curve và vẽ đạo hàm đầu tiên của các giá trị khoảng cách từ các bước trước đó; tiếp theo loại bỏ các thành phần có tần số cao của đường cong 1 bằng cách sử dụng bộ lọc làm mịn, từ đó lấy vị trí điểm tham chiếu của ROI bằng cách tìm điểm trên đường cong di qua giá trị 0 hoặc thay đồi từ âm sang dương và được mô tả trong Hình 2. (a) (b) (c) 360 1$-— 15 280 os os 200} 1 ol o Vv | Mà eal VV ï <=—=n*¬~-~*r % 8001008.
& =: 180 2900 15, “95 ~ ặj@ 1800 = THỜ 2600 15, lo ` S00 = THĐ = 1800 2080 Hình 2. Rút trích đặc trưng Giai đoạn này rất quan trọng trong hệ thống nhận dạng. Việc lựa chọn đặc trưng sẽ quyết định độ chính xác của so khớp. Nhiều phương pháp được đề xuất dé nhận dang vân lòng bàn tay đã được đề xuất trong nhiều tài liệu như: phương pháp dựa trên một hướng, phương pháp dựa trên nhiều hướng, phương pháp dựa trên thống kê hướng cục bộ và phương pháp biểu diễn đặc trưng dựa vào học.
Mỗi phương pháp có những ưu và nhược điểm riêng và được trình bày chỉ tiết trong Chương 2. Trong luận văn này, chúng tôi sử dụng phương pháp dựa vào mẫu hướng phân biệt và nôi bật cục bộ. So khớp Có rat nhiều kỹ thuật đã được các nhà nghiên cứu dé xuất dé so khớp cho bài toán nhận dang vân lòng ban tay tùy vào đặc trưng như: dựa vào khoảng cách Euclide, sử dung máy vectơ hỗ trợ (SVM) hay sử dung mạng nơ-ron. Kỹ thuật SVM đã thu hút sự chú ý của các nhà nghiên cứu quan tâm đến nhận dạng mẫu bởi khả năng tổng quát hóa cùng với giải pháp tối ưu và sức mạnh phân biệt của nó.
SVM được đánh giá vượt trội hơn so với các phương pháp học tập có § giám sát khác và trở thành một trong những phương pháp phân loại được sử dụng nhiều trong những năm gần đây [6]. Mục tiêu chính của SVM là tách một số lớp trong tập huấn luyện với bê mặt tối đa hóa biên độ giữa chúng. Nói cách khác, SVM cho phép tối đa hóa khả năng tông quát hóa của một mô hình và phù hợp với nguyên tắc Giảm thiểu rủi ro có cầu trúc (SRM) cho phép giảm thiểu ràng buộc về sai số tổng quát của một mô hình, thay vì giảm thiểu sai số trung bình bình phương trên tập dữ liệu huấn luyện. Hau hết SVM được thiết kế dé giải quyết các van đề phân loại và hồi quy và có một số lợi ích như: — Chúng có thể hoạt động trên các tập dữ liệu lớn, việc triển khai có thé xử lý hàng trăm nghìn ví dụ đào tạo và hàng nghìn vectơ hỗ trợ.
— Họ có thể hỗ trợ các chức năng nhân tiêu chuẩn và trong một số trường hop, có thê xác định chức năng nhân của riêng bạn Bên cạnh đó, các mô hình CNN phức hợp sâu đã được chứng minh là hoạt động tốt mặc dù có sự khác biệt lớn về tư thế và ánh sáng. Các đặc tính mạnh mẽ của CNN và thành công lớn của chúng trong việc giải quyết các nhiệm vụ khác nhau của các vấn đề về thị giác máy tính khiến chúng trở thành ứng cử viên phân loại hợp lý cho hệ thống nhận dạng sinh trắc học [7].