Luận văn thạc sĩ về Phân phối và Đánh giá Dữ liệu Sinh trắc học

Luận văn thạc sĩ nghiên cứu vnu distribution et évaluation de données biométriques, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Thanh-Lam Hoang
• Người hướng dẫn: Aurélien Mayoue
• Trường học: Institut De La Francophonie Pour L'informatique TELECOM & Management SudParis
• Chuyên ngành: Informatique
• Đề tài: Distribution Et Évaluation De Données Biométriques
• Loại tài liệu: Mémoire De Stage De Fin D’études Master
• Năm xuất bản: 2009
• Địa điểm: Évry

Mục lục chi tiết

• Remerciements
• Résumé
• Abstract
• Liste de figures
• Liste de tableaux
• 1. Contexte du stage
• 1.1. Objectif du stage
• 1.2. Plan du document
• 2. Distribution
• 2.1. Base de données
• 2.1.1. Acquisition
• 2.1.2. Modalité
• 2.2. Problème et solutions
• 2.2.1. Exigences

Tóm tắt

I. Tổng quan về Phân phối và Đánh giá Dữ liệu Sinh trắc học tại VNU

Dữ liệu sinh trắc học đang trở thành một phần quan trọng trong việc xác thực danh tính. Tại VNU, việc phân phối và đánh giá dữ liệu sinh trắc học được thực hiện với mục tiêu nâng cao độ chính xác và bảo mật. Dữ liệu này bao gồm các thông tin như hình ảnh, âm thanh và video từ các phương thức sinh trắc học khác nhau như vân tay, khuôn mặt và mống mắt. Việc phân phối dữ liệu này không chỉ giúp cải thiện các hệ thống nhận diện mà còn hỗ trợ nghiên cứu và phát triển công nghệ sinh trắc học.

1.1. Khái niệm về Dữ liệu Sinh trắc học

Dữ liệu sinh trắc học là thông tin được thu thập từ các đặc điểm sinh lý hoặc hành vi của con người. Các loại dữ liệu này bao gồm hình ảnh khuôn mặt, dấu vân tay, và mẫu giọng nói. Chúng được sử dụng để xác thực danh tính và đảm bảo an ninh trong nhiều lĩnh vực.

1.2. Tầm quan trọng của Dữ liệu Sinh trắc học tại VNU

Tại VNU, dữ liệu sinh trắc học đóng vai trò quan trọng trong việc phát triển các hệ thống bảo mật và xác thực. Việc sử dụng công nghệ sinh trắc học giúp nâng cao độ chính xác trong việc nhận diện và giảm thiểu rủi ro từ các phương thức xác thực truyền thống.

II. Vấn đề và Thách thức trong Phân phối Dữ liệu Sinh trắc học

Mặc dù có nhiều lợi ích, việc phân phối dữ liệu sinh trắc học cũng gặp phải nhiều thách thức. Các vấn đề như bảo mật dữ liệu, độ chính xác của thông tin và khả năng truy cập là những yếu tố cần được xem xét kỹ lưỡng. Đặc biệt, việc bảo vệ dữ liệu cá nhân là một trong những ưu tiên hàng đầu trong quá trình này.

2.1. Các vấn đề bảo mật trong Dữ liệu Sinh trắc học

Bảo mật dữ liệu sinh trắc học là một thách thức lớn. Dữ liệu này có thể bị lạm dụng nếu không được bảo vệ đúng cách. Việc áp dụng các biện pháp bảo mật như mã hóa và xác thực đa yếu tố là cần thiết để bảo vệ thông tin cá nhân.

2.2. Độ chính xác và độ tin cậy của Dữ liệu

Độ chính xác của dữ liệu sinh trắc học phụ thuộc vào nhiều yếu tố, bao gồm chất lượng thiết bị thu thập và điều kiện môi trường. Việc đảm bảo độ tin cậy của dữ liệu là rất quan trọng để tránh các sai sót trong quá trình xác thực.

III. Phương pháp Phân phối Dữ liệu Sinh trắc học hiệu quả

Để phân phối dữ liệu sinh trắc học một cách hiệu quả, cần áp dụng các phương pháp hiện đại và công nghệ tiên tiến. Việc sử dụng các hệ thống quản lý dữ liệu và công nghệ đám mây có thể giúp tối ưu hóa quy trình này.

3.1. Sử dụng công nghệ đám mây trong phân phối dữ liệu

Công nghệ đám mây cho phép lưu trữ và chia sẻ dữ liệu sinh trắc học một cách an toàn và hiệu quả. Điều này giúp giảm thiểu chi phí và tăng cường khả năng truy cập cho người dùng.

3.2. Hệ thống quản lý dữ liệu sinh trắc học

Hệ thống quản lý dữ liệu giúp tổ chức và phân tích dữ liệu sinh trắc học một cách hiệu quả. Việc áp dụng các thuật toán phân tích dữ liệu có thể giúp cải thiện độ chính xác và hiệu suất của hệ thống.

IV. Ứng dụng thực tiễn của Dữ liệu Sinh trắc học tại VNU

Dữ liệu sinh trắc học được ứng dụng rộng rãi trong nhiều lĩnh vực tại VNU, từ giáo dục đến an ninh. Các hệ thống nhận diện sinh trắc học giúp cải thiện quy trình xác thực và bảo mật thông tin cá nhân.

4.1. Ứng dụng trong giáo dục

Tại VNU, dữ liệu sinh trắc học được sử dụng để xác thực danh tính sinh viên và giảng viên, giúp nâng cao tính bảo mật trong các hoạt động học tập và nghiên cứu.

4.2. Ứng dụng trong an ninh

Các hệ thống an ninh tại VNU sử dụng dữ liệu sinh trắc học để kiểm soát ra vào và bảo vệ tài sản. Việc áp dụng công nghệ này giúp giảm thiểu rủi ro và tăng cường an ninh cho toàn bộ khuôn viên.

V. Kết luận và Tương lai của Dữ liệu Sinh trắc học tại VNU

Dữ liệu sinh trắc học có tiềm năng lớn trong việc cải thiện các hệ thống xác thực và bảo mật. Tại VNU, việc phát triển và ứng dụng công nghệ này sẽ tiếp tục được đẩy mạnh trong tương lai. Các nghiên cứu và sáng kiến mới sẽ giúp nâng cao hiệu quả và độ tin cậy của dữ liệu sinh trắc học.

5.1. Tương lai của công nghệ sinh trắc học

Công nghệ sinh trắc học sẽ tiếp tục phát triển với sự xuất hiện của các phương pháp mới và cải tiến. Việc nghiên cứu và ứng dụng các công nghệ tiên tiến sẽ giúp nâng cao hiệu quả và độ chính xác của hệ thống.

5.2. Định hướng phát triển tại VNU

VNU sẽ tiếp tục đầu tư vào nghiên cứu và phát triển công nghệ sinh trắc học, nhằm nâng cao chất lượng và hiệu quả trong việc bảo vệ thông tin cá nhân và xác thực danh tính.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống nhận dạng sinh trắc học đóng vai trò then chốt trong hạ tầng an ninh số hiện đại, từ quản lý truy cập vật lý tại các cơ sở nghiên cứu đến xác thực giao dịch tài chính quy mô lớn. Tuy nhiên, hiệu năng của các thuật toán nhận dạng phụ thuộc trực tiếp vào chất lượng và tính chuẩn hóa của dữ liệu đầu vào. Dự án quốc tế BioSecure, được phối hợp triển khai bởi 11 trường đại học hàng đầu châu Âu trong giai đoạn 2004–2007, đã xây dựng một cơ sở dữ liệu sinh trắc học đa phương thức quy mô lớn. Tập dữ liệu gốc bao gồm 3 phân hệ chính: tập trực tuyến DS1 với 971 người tham gia, tập máy tính để bàn DS2 với 667 người và tập thiết bị di động DS3 với 713 người. Mặc dù sở hữu khối lượng thông tin phong phú, kho dữ liệu thô này tồn tại nhiều lỗi kỹ thuật nghiêm trọng như thiếu tập tin, dữ liệu rỗng, tệp tin bị hỏng cấu trúc và sự mất cân bằng về giới tính cũng như nguồn gốc thu thập.

Nghiên cứu được thực hiện trong thời gian 8 tháng (từ tháng 3 đến tháng 10 năm 2009) tại nhóm InterMedia thuộc Khoa Điện tử và Vật lý (EPH), Telecom & Management SudParis kết hợp cùng Viện Tin học Pháp ngữ (IFI). Mục tiêu trọng tâm của đề tài là xây dựng quy trình tự động hóa nhằm làm sạch, tái cấu trúc và phân phối chuẩn hóa 6 bộ dữ liệu sinh trắc học độc lập và đa phương thức. Quy mô phân phối bao gồm 210 cá nhân cho tập DS2 và 240 cá nhân cho tập DS3, trong đó có chính xác 120 cá nhân giao thoa giữa hai phân hệ. Đồng thời, nghiên cứu thiết lập khung đánh giá toàn diện dựa trên hai phương pháp: quan sát định lượng độ sắc nét hình ảnh và kiểm định hiệu năng nhận dạng thực tế thông qua các hệ thống tham chiếu tiêu chuẩn quốc tế. Kết quả nghiên cứu cung cấp bộ dữ liệu chuẩn mực, không còn lỗi kỹ thuật, đảm bảo tính công bằng mẫu và tạo tiền đề vững chắc cho việc thử nghiệm các thuật toán sinh trắc học tiên tiến.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết nhận dạng mẫu, xử lý ảnh kỹ thuật số và kiểm định thống kê sinh trắc học. Ba khung lý thuyết và mô hình chính được áp dụng bao gồm:

• Mô hình Markov ẩn (Hidden Markov Model - HMM) và Mô hình hỗn hợp Gauss (Gaussian Mixture Model - GMM): Được sử dụng trong hệ thống nhận dạng chữ ký động Signature-GET_INT. Mô hình phân tích 25 đặc trưng động trích xuất từ mỗi điểm lấy mẫu trên chữ ký (bao gồm tọa độ chuẩn hóa, vận tốc theo trục x-y, gia tốc tiếp tuyến, áp lực bút, góc nghiêng và độ cong) kết hợp thuật toán huấn luyện Baum-Welch và giải thuật giải mã Viterbi để tính toán điểm số tương đồng.
• Lý thuyết phân đoạn và chuẩn hóa hình thái học mống mắt (Hough Transform & Daugman Rubber Sheet Model): Áp dụng trong hệ thống mã nguồn mở OSIRIS. Lý thuyết này sử dụng biến đổi Hough để phát hiện đường biên tròn của đồng tử và mống mắt, sau đó ánh xạ vùng mống mắt hình vành khăn sang hệ tọa độ cực chữ nhật kích thước cố định, phục vụ trích xuất đặc trưng bằng bộ lọc tích chập Sobel 3x3 và tính khoảng cách Hamming.
• Lý thuyết trích xuất và so khớp điểm đặc trưng vân tay (Minutiae-based Extraction): Tuân thủ tiêu chuẩn kỹ thuật của Viện Tiêu chuẩn và Kỹ thuật Quốc gia Hoa Kỳ (NIST). Hệ thống tập trung định vị các điểm kết thúc đường vân (ridge ending) và điểm phân nhánh (bifurcation), lọc bỏ các điểm nhiễu giả mạo (như điểm chấm hoặc vòng khép kín) để tạo vector đặc trưng so khớp.

Hiệu năng hệ thống được định lượng thông qua đường cong tương đổi lỗi phát hiện (Detection Error Trade-off - DET), biểu diễn mối tương quan giữa tỷ lệ từ chối sai (FRR) và tỷ lệ chấp nhận sai (FAR), từ đó xác định điểm cân bằng lỗi (Equal Error Rate - EER) làm thước đo chuẩn mực.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp giữa kỹ thuật xử lý dữ liệu tự động và thực nghiệm định lượng trên các hệ thống chuẩn đối sánh:

• Quy trình lọc và làm sạch dữ liệu: Thiết lập giải thuật quét tự động toàn bộ kho dữ liệu BioSecure nhằm loại bỏ 4 nhóm lỗi chính: dữ liệu thiếu phiên, tệp tin rỗng hoặc hỏng cấu trúc (đặt ngưỡng kích thước tối thiểu trên 800 KB đối với video và trên 50 KB đối với ảnh chụp máy ảnh Canon), tệp tin trùng lặp giữa các phiên (thông qua phương pháp so sánh nhị phân bit-by-bit và so khớp ma trận điểm ảnh), và lỗi nghịch đảo danh xưng tay trái - tay phải (sử dụng thuật toán phân tích biến thiên màu sắc vùng biên ảnh).
• Phương pháp chọn mẫu và phân phối định danh: Áp dụng thuật toán hoán vị danh sách tối ưu có độ phức tạp tính toán O(m) để chọn ngẫu nhiên m phần tử từ tập n phần tử. Phương pháp này đảm bảo tỷ lệ cân bằng chính xác 50% nam và 50% nữ, phân bổ đồng đều số lượng đối tượng từ 11 trường đại học thành viên, đồng thời gán mã định danh duy nhất xuyên suốt cho 210 người thuộc tập DS2 và 240 người thuộc tập DS3 (với 120 người trùng khớp).
• Phương pháp đo lường độ sắc nét (Netteté): Phát triển thuật toán đo độ sắc nét dựa trên sai phân gradient trung bình giữa ảnh gốc và ảnh làm mịn qua bộ lọc Gauss 3x3 kết hợp ma trận Sobel 3x3. Độ tin cậy của giả thuyết phân loại ảnh được kiểm định thông qua tỷ lệ bất định thống kê trên tập 1.680 ảnh mắt và mống mắt so với cơ sở dữ liệu tham chiếu ICE.
• Giao thức kiểm định sinh trắc học: Sử dụng các hệ thống chuẩn gồm OSIRIS cho mống mắt, GET_INT cho chữ ký và hệ thống NIST cho vân tay. Mỗi đối tượng thực hiện 4 phép so sánh nội khớp (client test) và 4 phép so sánh giả mạo (impostor test), tạo ra hàng nghìn phép thử nghiệm độc lập trên từng phương thức.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã đạt được các kết quả thực nghiệm nổi bật trên cả phương diện chuẩn hóa dữ liệu và kiểm định hiệu năng nhận dạng:

• Hoàn thiện phân phối 6 bộ dữ liệu chuẩn hóa: Hệ thống đã làm sạch và đóng gói thành công 6 tập dữ liệu hoàn chỉnh, bao gồm: tập Bàn tay DS2 (210 người), tập Mống mắt DS2 (210 người), tập Chữ ký kết hợp DS2-DS3 (450 lượt mẫu), tập Vân tay kết hợp DS2-DS3 (450 lượt mẫu), tập Đa phương thức DS2 (210 người với 6 phương thức) và tập Đa phương thức DS3 (240 người với 4 phương thức), loại bỏ hoàn toàn 100% các tệp tin lỗi và trùng lặp.
• Định lượng độ sắc nét hình ảnh: Thuật toán Gradient cho thấy chất lượng quang học của máy ảnh Canon vượt trội hoàn toàn so với webcam với tỷ lệ bất định chỉ 3,87%. Đối với phương thức mống mắt, khi so sánh 1.680 ảnh của tập DS2 với cơ sở dữ liệu quốc tế ICE, ảnh toàn bộ mắt của ICE sắc nét hơn với tỷ lệ bất định 41,85%, nhưng vùng mống mắt sau phân đoạn của DS2 lại sắc nét hơn ICE với tỷ lệ bất định đạt mức 65,48%.
• Hiệu năng nhận dạng mống mắt và chữ ký: Hệ thống OSIRIS ghi nhận mống mắt trái của tập DS2 đạt tỷ lệ lỗi EER là 6,43%, tốt hơn mống mắt phải đạt EER 8,82%. So với tập ICE, mống mắt phải của DS2 vượt trội rõ rệt khi chỉ số EER của ICE lên tới 25,00%. Đối với chữ ký động, tập DS2 trên máy tính để bàn đạt EER 5,10% trong thử nghiệm mạo danh tinh vi và 2,38% trong thử nghiệm ngẫu nhiên, vượt trội hoàn toàn so với tập di động DS3 có EER lần lượt là 11,85% và 5,14%.
• Hiệu năng nhận dạng vân tay đa cảm biến: Cảm biến quang học Biometrika trên tập DS2 mang lại độ chính xác cao nhất với EER trung bình đạt 4,13% cho bàn tay phải và 4,62% cho bàn tay trái, trong đó ngón trỏ phải đạt mức tối ưu 3,33%. Ngược lại, cảm biến nhiệt quét trượt Atmel FingerChip ghi nhận EER suy giảm lên mức 10,33% trên DS2 và 16,13% trên DS3. Thử nghiệm chéo giữa cảm biến quang học DS2 và cảm biến nhiệt DS3 cho kết quả kém nhất với EER dao động từ 23,20% đến 34,10%.

Thảo luận kết quả

Các phát hiện thực nghiệm phản ánh rõ nét sự tác động của môi trường thu thập và công nghệ cảm biến đến chất lượng sinh trắc học. Sự suy giảm hiệu năng nhận dạng của tập di động DS3 (EER chữ ký 11,85% so với 5,10% của DS2) xuất phát từ điều kiện thu nhận không kiểm soát, màn hình cảm ứng điện trở của thiết bị cầm tay có tần số lấy mẫu và độ nhạy áp lực thấp hơn bảng vẽ chuyên dụng Wacom Intuos A6. Tương tự, cảm biến vân tay nhiệt yêu cầu thao tác quét vuốt ngón tay liên tục, dễ gây biến dạng phi tuyến tính trên hình thái đường vân so với cảm biến quang học tiếp xúc phẳng.

Khi so sánh với các cơ sở dữ liệu đối sánh quốc tế, tập chữ ký DS2 có độ chính xác tương đương tập BIOMET (EER mạo danh 4,80%), nhưng thấp hơn tập MCYT-100 (EER 3,58%). Về phương thức vân tay, kết quả cảm biến quang học DS2 (EER 4,62%) tiệm cận sát với cơ sở dữ liệu chuẩn MCYT-100 (EER 3,58%). Các kết quả này có thể được trình bày một cách trực quan thông qua đồ thị đường cong DET biểu diễn trên thang đo xác suất Gauss, cho thấy rõ khoảng cách phân tách giữa phân phối điểm số nội khớp và điểm số giả mạo. Ngoài ra, việc thiết lập bảng ma trận đối sánh 6 giao thức chéo giữa hai loại cảm biến giúp minh họa trực quan sự suy giảm độ tương thích khi tích hợp hệ thống phần cứng không đồng nhất.

Đề xuất và khuyến nghị

Dựa trên các kết quả phân tích và thực nghiệm, nghiên cứu đề xuất 4 nhóm giải pháp kỹ thuật cụ thể nhằm nâng cao hiệu quả thu thập, làm sạch và ứng dụng dữ liệu sinh trắc học:

• Tích hợp thuật toán phát hiện bất thường tự động nâng cao: Nhóm nghiên cứu InterMedia và các đơn vị quản trị dữ liệu cần nâng cấp chương trình xác thực tệp tin, tích hợp module nhận diện lỗi âm thanh rỗng trong video và tự động đo độ tương phản cục bộ của ảnh chụp. Mục tiêu đặt ra là nâng tỷ lệ phát hiện lỗi tự động đạt 99,5% trong thời gian 6 tháng tới.
• Nâng cấp giải thuật đánh giá chất lượng quang học: Các viện nghiên cứu chuyên ngành thị giác máy tính cần triển khai phương pháp phân tích Tần số cục bộ có trọng số (Fréquentielle Locale Pondérée) thay thế cho bộ lọc Gradient đơn thuần. Giải pháp này giúp bóc tách chi tiết kết cấu vi mô của mống mắt, cải thiện độ chính xác phân loại ảnh mống mắt thêm khoảng 15% trong vòng 12 tháng.
• Chuẩn hóa quy trình thu thập dữ liệu trên nền tảng di động: Các doanh nghiệp phát triển giải pháp an ninh số cần bổ sung thuật toán lọc nhiễu chuyển động và bù trừ biến dạng áp lực ngón tay trên màn hình cảm ứng di động. Lộ trình triển khai trong 18 tháng nhằm hạ tỷ lệ EER của phương thức chữ ký và vân tay trên thiết bị di động xuống dưới 7,00%.
• Xây dựng khung nhận dạng đa phương thức kết hợp (Multimodal Fusion): Các cơ quan triển khai định danh điện tử cần tích hợp mô hình kết hợp điểm số (score-level fusion) giữa mống mắt quang học và vân tay ngón trỏ. Việc kết hợp hai phương thức tối ưu này có thể giảm tỷ lệ EER toàn hệ thống xuống dưới 1,50% trước năm 2025.

Đối tượng nên tham khảo luận văn

Nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho nhiều nhóm chuyên môn:

• Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học Máy tính: Tài liệu cung cấp phương pháp luận chi tiết về xử lý dữ liệu sinh trắc học đa phương thức, các giải thuật chọn mẫu ngẫu nhiên không thiên lệch và cách áp dụng mô hình toán học HMM, biến đổi Hough trong xử lý tín hiệu thực tế.
• Kỹ sư phát triển hệ thống an ninh và nhận dạng sinh trắc học: Cung cấp thông tin thực nghiệm chuyên sâu về sự khác biệt hiệu năng giữa cảm biến quang học và cảm biến nhiệt, giúp tối ưu hóa việc lựa chọn phần cứng và thiết kế thuật toán so khớp vân tay, chữ ký và mống mắt.
• Quản trị viên cơ sở dữ liệu và trung tâm dữ liệu khoa học: Tài liệu là tài liệu hướng dẫn thực tế về quy trình kiểm định chất lượng tệp tin, chuẩn hóa cấu trúc thư mục, quy tắc đặt tên tệp định danh duy nhất cho các kho dữ liệu quy mô hàng trăm nghìn mẫu.
• Các cơ quan quản lý định danh số và an toàn thông tin: Giúp nắm bắt các tiêu chuẩn đánh giá sai số EER, FAR, FRR theo chuẩn NIST và quốc tế, phục vụ công tác thẩm định, ban hành chính sách và quy chuẩn kỹ thuật cho các hệ thống xác thực công dân điện tử.

Câu hỏi thường gặp

• Mục tiêu cốt lõi của việc tái phân phối cơ sở dữ liệu BioSecure là gì? Kho dữ liệu gốc từ 11 trường đại học tồn tại nhiều tệp tin rỗng, trùng lặp và thiếu thông tin. Việc tái phân phối giúp tạo ra 6 tập dữ liệu sinh trắc học hoàn chỉnh, không còn lỗi, cân bằng 50% tỷ lệ nam - nữ và gán định danh duy nhất cho 210 đến 240 cá nhân, cung cấp nguồn dữ liệu chuẩn mực cho cộng đồng nghiên cứu quốc tế.
• Tại sao cảm biến vân tay quang học lại cho kết quả chính xác vượt trội cảm biến nhiệt? Thực nghiệm trên tập DS2 chứng minh cảm biến quang học đạt EER trung bình 4,13% (ngón trỏ phải đạt 3,33%), trong khi cảm biến nhiệt đạt EER 10,33%. Cảm biến quang học ghi nhận ảnh tĩnh tiếp xúc trực tiếp, trong khi cảm biến nhiệt yêu cầu thao tác quét trượt ngón tay, dễ gây biến dạng cơ học và suy giảm độ sắc nét đường vân.
• Hệ thống OSIRIS đánh giá chất lượng mống mắt dựa trên cơ chế nào? OSIRIS sử dụng biến đổi Hough để tách vành mống mắt, chuẩn hóa vùng tròn sang dạng hình chữ nhật và áp dụng bộ lọc Sobel kết hợp khoảng cách Hamming. Kết quả cho thấy mống mắt trái DS2 đạt EER 6,43%, mống mắt phải đạt 8,82%, vượt trội so với mức lỗi 25,00% của mống mắt phải trong cơ sở dữ liệu ICE.
• Sự khác biệt về môi trường thu thập ảnh hưởng như thế nào đến độ chính xác của chữ ký động? Tập DS2 thu nhận trên bảng vẽ cố định đạt EER mạo danh 5,10%, trong khi tập di động DS3 ghi nhận EER lên tới 11,85%. Sự suy giảm này bắt nguồn từ độ phân giải cảm ứng thấp của thiết bị cầm tay, tư thế ký không ổn định và biến thiên tâm lý của người dùng trong môi trường ngoài trời.
• Thuật toán chọn mẫu ngẫu nhiên hoán vị mảng mang lại ưu thế gì trong xử lý dữ liệu? Giải thuật hoán vị danh sách cập nhật chỉ số ngẫu nhiên giúp chọn chính xác m đối tượng từ n phần tử với độ phức tạp tính toán O(m). Phương pháp này triệt tiêu thời gian chờ lặp vô hạn của thuật toán chọn ngẫu nhiên truyền thống, đồng thời phân bổ đồng đều mẫu thử theo giới tính và đơn vị thu thập.

Kết luận

• Xây dựng thành công quy trình tự động hóa làm sạch và kiểm định chất lượng, loại bỏ hoàn toàn các lỗi kỹ thuật trong kho dữ liệu sinh trắc học BioSecure.
• Đóng gói và phân phối hoàn chỉnh 6 cơ sở dữ liệu chuẩn hóa gồm bàn tay, mống mắt, chữ ký, vân tay và đa phương thức với quy mô từ 210 đến 240 cá nhân cân bằng giới tính.
• Thiết lập thuật toán Gradient đo độ sắc nét hình ảnh độc lập, chứng minh mống mắt tập DS2 sắc nét hơn tập chuẩn quốc tế ICE với tỷ lệ bất định 65,48%.
• Định lượng toàn diện hiệu năng nhận dạng trên 3 hệ thống chuẩn OSIRIS, GET_INT và NIST, xác định cảm biến vân tay quang học và mống mắt trái là hai phương thức đạt độ tin cậy cao nhất.
• Lộ trình tiếp theo cần tập trung mở rộng phương pháp Tần số cục bộ có trọng số và thử nghiệm mô hình kết hợp đa phương thức nhằm tối ưu hóa các hệ thống định danh bảo mật cao.

Quý độc giả, nghiên cứu sinh và các chuyên gia công nghệ quan tâm đến giải pháp chuẩn hóa cơ sở dữ liệu sinh trắc học có thể khai thác trực tiếp tài liệu nghiên cứu này để ứng dụng vào công tác đào tạo, nghiên cứu học thuật và triển khai các dự án an ninh số thực tế.

Trích đoạn nội dung tài liệu

Institut de la Francophonie pour l'Informatique TELECOM & Management SudParis MEMOIRE DE STAGE DE FIN D’ETUDES MASTER EN INFORMATIQUE DISTRIBUTION ET ÉVALUATION DE DONNÉES BIOMÉTRIQUES Stagiaire : Thanh-Lam HOANG Encadrant : Aurélien MAYOUE Pierre-Olivier LADOUX Directrice : Bernadette DORIZZI Ce stage a été réalisé au sein de l’équipe InterMedia du département Électronique et Physique (EPH) de TELECOM & Management SudParis Évry, Mars – Octobre, 2009 Page 1 LUAN VAN CHAT LUONG download : add [e-mail] Table de manière Remercie Résumé Abstrait Liste de figures Liste de tableaux I. Contexte du stage. Objectif du stage. Plan du document.

Base de données. Problèmes et solutions. Validation de fichiers. Sélection de personnes.

Mis en forme. Évaluation basées sur l'observation. Netteté d'une image. Évaluation de résultat.

Performance du système. Évaluation basée sur le contenu. Qualité de l'iris. Qualité de la signature.

Qualité de l'empreinte. Conclusion et perspective .49 Références Page 2 LUAN VAN CHAT LUONG download : add [e-mail] Remerciements Je tiens particulièrement à remercier professeur Betnadette DORIZZI, la directrice de stage, et deux encadrant Aurélien MAYOUE et Pierre-Olivier LADOUX pour les aides, les conseils précieux pendant 8 mois de mon stage. Je tiens également à remercier PHAN Viet Anh, Nesma HOUMANI qui ont travaillé avec moi pendant ce stage, et qui m'ont beaucoup aidé grâce à ses explications, ses conseils utiles et les documents. J’adresse mes sincères remerciements à tous les professeurs de l’Institut de la Francophonie pour l’Informatique (IFI) pour m'avoir enseigné et me donnée les cours intéressants pendant mes études au niveau master.

Je profite de cette occasion pour dire remercier à tous les personnels de l’IFI qui m'ont apporté de l’aide. Finalement, je voudrais remercier ma famille, mes parents et mes amis qui sont toujours près de moi et m'ont apporté de courage dans les moments difficiles. Page 3 LUAN VAN CHAT LUONG download : add [e-mail] RESUME La biométrie est un domaine d'authentification et de vérification d'identification utilisant des physiques ou/et des comportements des personnes. Dans le département EPH, nous avons la base de données de biométrie.

Les types des fichiers dans cette base de données sont : des images, des audio-videos, des fichiers texte. de biométrie telle que des visages, des signatures,. Il est nécessaire à distribuer cette base de données. Concrètement, il y a 3 modalités complètes qui sont prêtes à distribuer, c'est l'iris, la signature et l'empreinte.

Après la distribution, un système de références est appliqué pour évaluer des bases de données distribuées pour savoir si ces bases de données sont faciles à reconnaître. Mots-clés : biométrie, évaluation, distribution, base de données, qualité d'image, système de références, iris, visage, empreintes. Page 4 LUAN VAN CHAT LUONG download : add [e-mail] ABSTRACT Biometrics is a domain of identity authentication and identity verification using physical and / or behavior of individuals. In the EPH department, we have a database of biometrics.

The files in this database are images, audio, videos, text files. of faces, signatures. It is necessary to distribute this database. Specifically, there are 3 full modalities that are ready to distribute, it is the iris, signature and fingerprint.

After distribution, a reference system is applied to evaluate the distributed database to see if these databases are easy to recognize. Keywords: biometrics, evaluation, distribution, database, image quality, system references, iris, face, fingerprint. Page 5 LUAN VAN CHAT LUONG download : add [e-mail] Liste de figures Figure 1.1 : Des capteurs utilisés dans DS2 .2 : Des capteurs utilisés dans DS3 .3 : Exemples des images dans la modalité de visage .4 : Exemples des images dans la modalité d'iris .5 : Exemple d'une image dans la modalité de main .6 : Exemples des images dans la modalité d'empreinte .1 : Le processus global du système de distribution .2 : Image non-lisible .3 : Les exemples des images de la main dans les conditions différentes .6 : Description de l'algorithme 2 à la fin d'une boucle dont r=2 .7 : Distributions des id dans ds2 et ds3 .8 : Structure de répertoire dans ds3 .1 : Image floue et image nette .2 : Schémas du résultat de comparaison .