Luận văn thạc sĩ: Phát triển mô-đun phân đoạn cho hệ thống nhận diện sinh trắc học dựa trên mống mắt

Luận văn thạc sĩ VNU phát triển module phân đoạn cho hệ thống nhận diện sinh trắc học dựa trên mống mắt, ứng dụng công nghệ tiên tiến.

• Tác giả: Phan Việt Anh
• Người hướng dẫn: Bernadette Dorizzi
• Trường học: Institut National des Télécommunications
• Chuyên ngành: Informatique
• Đề tài: Développement d'un module de segmentation pour un système de reconnaissance biométrique basé sur l'iris (Phát triển mô-đun phân đoạn cho hệ thống nhận diện sinh trắc học dựa trên mống mắt)
• Loại tài liệu: Mémoire de fin d'étude (Luận văn)
• Năm xuất bản: 2008
• Địa điểm: ÉVRY, France

Mục lục chi tiết

• I. Contexte du stage
• II. Objectif du stage
• III. Plan du document
• 1. Système de reconnaissance biométrique
• 1.1. Introduction
• 1.2. Architecture d’un système de reconnaissance biométrique
• 1.3. Évaluation d’un système de reconnaissance biométrique
• 1.4. Système de référence
• I. Transformée de Hough
• I.1. Détection de droite
• I.2. Détection de cercle
• II. Contour actif (Snake contour en anglais)
• III. Les bases de données
• II. Solutions proposées
• III. Localisation de la pupille
• IV. Segmentation de la pupille
• IV.1. Recherche du contour initial
• IV.2. Application du contour actif
• V. Segmentation de l’iris
• V.1. Recherche du contour initial
• V.2. Application du contour actif
• VI. Génération du masque
• VI.1. Recherche du cercle le plus proche du contour final
• VI.2. Génération du masque
• I. Préparation des évaluations
• II. La catégorie « facile »
• III. La catégorie « difficile »
• Remerciements
• Résumé
• Abstract
• Liste des figures
• Liste des tableaux
• Introduction. Introduction

Tóm tắt

I. Tổng quan về phát triển mô đun phân đoạn cho hệ thống nhận diện sinh trắc học

Hệ thống nhận diện sinh trắc học dựa trên mống mắt đang trở thành một trong những công nghệ tiên tiến nhất trong lĩnh vực bảo mật. Mô-đun phân đoạn là một phần quan trọng trong hệ thống này, giúp xác định và tách biệt các đặc điểm sinh trắc học của mống mắt. Việc phát triển mô-đun này không chỉ giúp cải thiện độ chính xác mà còn tăng cường khả năng bảo mật cho các ứng dụng thực tiễn.

1.1. Định nghĩa và vai trò của mô đun phân đoạn trong nhận diện sinh trắc học

Mô-đun phân đoạn có nhiệm vụ tách biệt các thành phần của mống mắt, bao gồm cả vùng mống mắt và vùng đồng tử. Điều này giúp hệ thống nhận diện có thể phân tích và nhận diện chính xác hơn.

1.2. Lịch sử phát triển công nghệ nhận diện sinh trắc học dựa trên mống mắt

Công nghệ nhận diện sinh trắc học đã phát triển từ những năm 1990, với nhiều nghiên cứu và cải tiến trong các thuật toán nhận diện. Mống mắt được chọn làm một trong những đặc điểm sinh trắc học chính do tính độc nhất và khó giả mạo.

II. Những thách thức trong phát triển mô đun phân đoạn cho hệ thống nhận diện sinh trắc học

Mặc dù công nghệ nhận diện sinh trắc học dựa trên mống mắt có nhiều ưu điểm, nhưng vẫn tồn tại nhiều thách thức trong việc phát triển mô-đun phân đoạn. Các vấn đề như độ chính xác, tốc độ xử lý và khả năng hoạt động trong điều kiện ánh sáng khác nhau là những yếu tố cần được giải quyết.

2.1. Độ chính xác trong việc phân đoạn mống mắt

Độ chính xác là yếu tố quan trọng nhất trong mô-đun phân đoạn. Các thuật toán cần phải được tối ưu hóa để giảm thiểu sai sót trong việc nhận diện các đặc điểm của mống mắt.

2.2. Tác động của điều kiện ánh sáng đến hiệu suất mô đun

Điều kiện ánh sáng có thể ảnh hưởng lớn đến chất lượng hình ảnh mống mắt. Việc phát triển các thuật toán có khả năng hoạt động tốt trong nhiều điều kiện ánh sáng khác nhau là một thách thức lớn.

III. Phương pháp phát triển mô đun phân đoạn hiệu quả cho hệ thống nhận diện sinh trắc học

Để phát triển mô-đun phân đoạn hiệu quả, cần áp dụng các phương pháp tiên tiến như biến thể của thuật toán Hough và các kỹ thuật học máy. Những phương pháp này giúp cải thiện độ chính xác và tốc độ xử lý của mô-đun.

3.1. Ứng dụng thuật toán Hough trong phân đoạn mống mắt

Thuật toán Hough được sử dụng để phát hiện các đường và hình tròn trong hình ảnh, giúp xác định vị trí của mống mắt và đồng tử một cách chính xác.

3.2. Sử dụng học máy để cải thiện độ chính xác phân đoạn

Các mô hình học máy có thể được huấn luyện để nhận diện các đặc điểm của mống mắt, từ đó cải thiện độ chính xác của mô-đun phân đoạn.

IV. Ứng dụng thực tiễn của mô đun phân đoạn trong hệ thống nhận diện sinh trắc học

Mô-đun phân đoạn không chỉ có ứng dụng trong lĩnh vực bảo mật mà còn có thể được áp dụng trong nhiều lĩnh vực khác như y tế và tài chính. Việc nhận diện chính xác mống mắt có thể giúp xác thực danh tính trong các giao dịch tài chính hoặc trong các hệ thống y tế.

4.1. Ứng dụng trong bảo mật và xác thực danh tính

Hệ thống nhận diện sinh trắc học dựa trên mống mắt có thể được sử dụng để bảo vệ thông tin nhạy cảm và xác thực danh tính người dùng trong các giao dịch trực tuyến.

4.2. Tiềm năng trong lĩnh vực y tế

Công nghệ này có thể được áp dụng trong y tế để theo dõi và xác thực bệnh nhân, từ đó nâng cao chất lượng dịch vụ chăm sóc sức khỏe.

V. Kết luận và triển vọng tương lai của mô đun phân đoạn trong nhận diện sinh trắc học

Mô-đun phân đoạn cho hệ thống nhận diện sinh trắc học dựa trên mống mắt đang có những bước tiến đáng kể. Với sự phát triển của công nghệ, tương lai của mô-đun này hứa hẹn sẽ mang lại nhiều cải tiến trong độ chính xác và khả năng bảo mật.

5.1. Tương lai của công nghệ nhận diện sinh trắc học

Công nghệ nhận diện sinh trắc học sẽ tiếp tục phát triển, với nhiều cải tiến trong thuật toán và ứng dụng thực tiễn.

5.2. Những nghiên cứu và phát triển tiếp theo

Các nghiên cứu tiếp theo sẽ tập trung vào việc tối ưu hóa mô-đun phân đoạn và mở rộng ứng dụng của nó trong nhiều lĩnh vực khác nhau.

Nội dung chính

Tổng quan nghiên cứu

Nhận diện sinh trắc học qua mống mắt được đánh giá là một trong những phương thức xác thực cá nhân có độ chính xác cao nhất hiện nay nhờ tính bất biến và cấu trúc vân học độc nhất. Tuy nhiên, hiệu năng thực tế của hệ thống phụ thuộc quyết định vào giai đoạn phân đoạn ảnh (segmentation) nhằm tách chính xác vùng mống mắt và con ngươi khỏi các yếu tố nhiễu. Nghiên cứu của học viên Phan Việt Anh thực hiện trong 8 tháng tại Khoa Điện tử và Vật lý thuộc Viện Viễn thông Quốc gia Pháp (INT Évry) kết hợp cùng Viện Tin học Pháp ngữ (IFI) tập trung giải quyết bài toán nâng cao chất lượng phân đoạn trên tập dữ liệu chuẩn ICE 2005 gồm 2.953 ảnh mắt của 132 cá nhân với độ phân giải 640x480 pixels.

Thách thức cốt lõi đặt ra là các thuật toán truyền thống như hệ thống OSIRIS nguyên bản tối ưu trên tập dữ liệu lý tưởng CASIA v1.0 (756 ảnh) thường suy giảm nghiêm trọng độ chính xác khi đối mặt với dữ liệu thực tế chứa đốm sáng phản xạ (spotlight), lông mi chải mascara vón cục, mí mắt che khuất và hiện tượng nhòe chuyển động. Mục tiêu cụ thể của luận văn là phát triển một mô-đun phân đoạn mới bằng ngôn ngữ C++ trên nền tảng Linux và OpenCV, kết hợp linh hoạt giữa biến đổi Hough (Hough Transform) để định vị biên khởi tạo và mô hình đường bao tích cực (Active Contour / Snake) để tinh chỉnh đường bao phi tròn chính xác. Công trình đóng góp trực tiếp vào khuôn khổ thách thức sinh trắc học quốc tế MBGC (Multiple Biometric Grand Challenge) do Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST) tổ chức, mang lại bước đột phá trong việc giảm thiểu tỷ lệ lỗi nhận diện sinh trắc học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng mô hình nhận diện mống mắt cổ điển của John Daugman kết hợp các lý thuyết xử lý ảnh và thị giác máy tính tiên tiến:

• Lý thuyết biến đổi Hough (Hough Transform): Được Paul Hough phát minh năm 1962, thuật toán chuyển đổi bài toán nhận diện biên từ không gian tọa độ Descartes $(x, y)$ sang không gian tham số. Luận văn ứng dụng biểu diễn đường thẳng trong hệ tọa độ cực $(\rho, \theta)$ với góc $\theta \in [0, \pi]$ để dò tìm mí mắt, đồng thời mở rộng không gian tham số ba chiều $(a, b, r)$ để phát hiện đường tròn đại diện cho ranh giới con ngươi và mống mắt.
• Mô hình đường bao tích cực Snake (Active Contour): Đường cong tham số $v(s) = (x(s), y(s))$ biến dạng liên tục dưới tác động của phiếm hàm năng lượng tổng thể $E_{total} = \int (E_{interne}(v(s)) + E_{externe}(v(s))) ds$. Trong đó, năng lượng nội $E_{interne}$ gồm lực đàn hồi (hệ số $\alpha$) kiểm soát độ căng và lực uốn cong (hệ số $\beta$) kiểm soát độ cứng, giúp làm mượt biên; năng lượng ngoại $E_{externe}$ (hệ số $\gamma$) được định nghĩa từ gradient cường độ sáng của ảnh để kéo đường bao khớp chặt chẽ với mép thực tế.
• Hệ thống đánh giá sinh trắc học: Đánh giá hiệu năng dựa trên xác suất Bayes, tỷ lệ chấp nhận sai (FAR - False Acceptance Rate), tỷ lệ từ chối sai (FRR - False Rejection Rate), đường cong ROC (Receiver Operating Characteristic), đường cong DET (Detection Error Trade-off) và tỷ lệ lỗi cân bằng (EER - Equal Error Rate).

[Ảnh mắt đầu vào] 

Phương pháp nghiên cứu

Phương pháp nghiên cứu thực nghiệm được triển khai theo quy trình khép kín 6 giai đoạn trên toàn bộ tập dữ liệu chuẩn quốc tế NIST ICE 2005:

• Nguồn dữ liệu và chọn mẫu: Sử dụng toàn bộ 2.953 ảnh mắt đơn sắc chụp bằng thiết bị LG2200, bao gồm 1.425 ảnh mắt phải (124 đối tượng) và 1.528 ảnh mắt trái (120 đối tượng). Toàn bộ ảnh được đối sánh trực tiếp với bộ dữ liệu đối chuẩn mặt đất (ground truth reference) do nhóm nghiên cứu INTERMEDIA phân đoạn và hiệu chỉnh bán thủ công.
• Quy trình phân tích thích nghi:
  1. Định vị con ngươi thích nghi: Sử dụng ngưỡng động khởi tạo $S = 22$, phép co hình thái học (morphological erosion) với cấu trúc phần tử chữ thập kích thước $15 \times 15$, lọc 10 vùng liên thông lớn nhất và so khớp mẫu hình tròn qua tối đa 20 vòng lặp điều chỉnh ngưỡng $\pm 5$ hoặc $\pm 10$.
  2. Dò tìm biên khởi tạo: Giới hạn bán kính con ngươi $r_p \in [26, 77]$ pixels và bán kính mống mắt $r_i \in [92, 140]$ pixels. Chuẩn hóa số phiếu bầu $nVoteNorm = nVote / r$ nhằm loại bỏ thiên lệch bán kính lớn.
  3. Mô hình hóa xác suất tiền xử lý: Tính phân phối Gauss cho cường độ con ngươi ($P_1$) và đốm phản xạ ($P_2$, mức xám 255) trong cửa sổ $10 \times 10$ pixels trước khi áp dụng Snake.
  4. Ràng buộc không gian hình học: Áp dụng điều kiện khoảng cách tâm giữa con ngươi và mống mắt $distIP \le 15$ pixels, chênh lệch bán kính $diffIP \in [45, 93]$ pixels, và khoảng cách biên cục bộ $|d_{max} - d_{min}| \le 30$ pixels.
• Timeline thực nghiệm: Toàn bộ quá trình lập trình, tối ưu tham số ($\alpha=1.0, \beta=1.0, \gamma=1.0$) và kiểm thử diễn ra trong chu kỳ 8 tháng liên tục.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử toàn diện trên 2.953 ảnh của cơ sở dữ liệu ICE 2005 đã ghi nhận những kết quả định lượng mang tính đột phá:

• Tỷ lệ định vị con ngươi thành công đạt 99,83%: Thuật toán phân ngưỡng thích nghi đa vòng lặp đã định vị chính xác vị trí con ngươi trên 2.948/2.953 ảnh, chỉ để sót 5 trường hợp lỗi do độ tương phản quá thấp hoặc đốm sáng che lấp hoàn toàn. Kết quả này vượt trội hơn 3,15% so với phương pháp phân ngưỡng tĩnh đơn cấp ban đầu (đạt 96,68% với 2.855 ảnh thành công và 98 trường hợp thất bại).
• Giảm thiểu 63,16% lỗi biên khởi tạo con ngươi: Việc bổ sung tiêu chí chuẩn hóa số phiếu bầu ($nVoteNorm$) kết hợp điều kiện lọc tâm con ngươi (khoảng cách lệch tâm $\le 1/4$ kích thước vùng khảo sát) đã giảm số lượng ảnh bị lệch biên nghiêm trọng (sai số tâm $> 20$ pixels hoặc sai số bán kính $> 10$ pixels) từ 19 ảnh (chiếm 0,64%) xuống chỉ còn 7 ảnh (chiếm 0,23%).
• Khắc phục hoàn toàn 1.145 trường hợp lỗi phân đoạn mống mắt do mascara và lông mi: Trong thử nghiệm ban đầu không áp dụng ràng buộc hình học, nhiễu lông mi có cường độ biên mạnh hơn vân mống mắt đã gây ra 1.145 ca lỗi nghiêm trọng (chiếm 38,77% tập dữ liệu), khiến đường tròn mống mắt bị co rút hoặc giao cắt với con ngươi. Khi đưa vào hệ ràng buộc không gian ($distIP \le 15$ pixels, $diffIP \in [45, 93]$ pixels), toàn bộ các lỗi giao cắt bất hợp thức đã được triệt tiêu hoàn toàn.
• Cải thiện vượt trội chỉ số EER trên đường cong DET: Tích hợp mô hình biến đổi Hough cùng đường bao tích cực Snake mang lại đường cong DET tiệm cận sâu nhất về gốc tọa độ, đạt tỷ lệ lỗi cân bằng EER thấp hơn rõ rệt so với thuật toán Hough thuần túy và vượt trội hơn hẳn mô-đun gốc của hệ thống OSIRIS trên cả hai phân nhóm dữ liệu "dễ" (ảnh sắc nét) và "khó" (ảnh mờ, nhiễu nặng).

Thảo luận kết quả

Dữ liệu thực nghiệm khi biểu diễn qua biểu đồ phân phối điểm số tương đồng nội lớp (intra-class) và liên lớp (inter-class) cho thấy khoảng phân tách giữa người dùng hợp lệ và kẻ giả mạo được nới rộng đáng kể khi áp dụng mô-đun phân đoạn mới. Nguyên nhân chính giúp mô hình cải thiện hiệu năng là nhờ cơ chế mô hình hóa xác suất Gauss hai thành phần ($P_1$ cho mô con ngươi và $P_2$ cho đốm sáng trắng), giúp hàm năng lượng ngoại của Snake không bị "bẫy" vào các vùng phản xạ cục bộ có mức xám 255.

So sánh với các nghiên cứu kinh điển của Libor Masek và mô hình cơ sở của Daugman, giải pháp đề xuất không giả định cứng nhắc rằng đường ranh giới con ngươi và mống mắt là các đường tròn đồng tâm hoàn hảo. Trong thực tế giải phẫu mắt người, mép con ngươi thường có độ co giãn bất đối xứng và bị che khuất bởi nếp gấp mí mắt. Đường bao Snake với bộ tham số tối ưu hóa ($\alpha=1.0, \beta=1.0, \gamma=1.0$) đã mềm hóa đường biên, ôm khít ranh giới thực tế mà không bị gián đoạn. Kết quả trích xuất mặt nạ (mask generation) chính xác cho phép bộ lọc Gabor 2D của hệ thống OSIRIS tính toán mã nhị phân mống mắt (IrisCode) với độ tin cậy tối đa, giảm thiểu căn bản các bit lỗi trong phép tính khoảng cách Hamming.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 khuyến nghị then chốt nhằm nâng cấp hệ thống nhận diện sinh trắc học mống mắt trong môi trường thực tế:

• Song song hóa thuật toán Hough 3D trên nền tảng GPU: Các nhóm phát triển phần mềm cần tái cấu trúc không gian tích lũy 3 chiều $(a, b, r)$ bằng công nghệ CUDA/OpenCL, hướng tới mục tiêu giảm thời gian xử lý từ mức hàng trăm mili-giây xuống dưới 50 mili-giây/ảnh, đáp ứng tiêu chuẩn xử lý thời gian thực tại các cổng kiểm soát an ninh xuất nhập cảnh.
• Tích hợp mạng nơ-ron tích chập (CNN) để tiền phân vùng mí mắt và lông mi: Đơn vị nghiên cứu cần bổ sung mô hình học sâu nhẹ nhằm loại bỏ triệt để mascara và lông mi trước khi đưa vào bộ lọc Canny, phấn đấu đạt mục tiêu giảm tỷ lệ lỗi biên mống mắt xuống dưới 0,05% trên các tập dữ liệu thách thức cao.
• Chuẩn hóa quy trình thu nhận ảnh với dải bước sóng hồng ngoại gần (NIR): Các nhà sản xuất thiết bị phần cứng nên tích hợp cảm biến chiếu sáng chủ động bước sóng 700-900 nm nhằm triệt tiêu đốm phản xạ ánh sáng trắng trên giác mạc, giúp ổn định dải mức xám con ngươi trong ngưỡng 0-25 ngay từ khâu thu thập.
• Mở rộng tích hợp mô-đun vào lõi phần mềm mã nguồn mở OSIRIS v4.0: Nhóm phát triển INTERMEDIA thuộc INT cần phát hành bản cập nhật thư viện C++ tích hợp đầy đủ giao diện tạo mặt nạ nhị phân thích ứng, hỗ trợ cộng đồng nghiên cứu sinh trắc học quốc tế dễ dàng tái sử dụng và đánh giá chéo trên các tập dữ liệu mở như CASIA v4 hay UBIRIS.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu chuyên khảo mang giá trị học thuật và ứng dụng cao cho 4 nhóm đối tượng chính:

• Kỹ sư thị giác máy tính và xử lý ảnh y sinh: Tiếp cận hướng dẫn chi tiết về cách cài đặt, tinh chỉnh bộ tham số năng lượng của Active Contour kết hợp biến đổi Hough, ứng dụng trực tiếp vào bài toán phân đoạn cấu trúc nội tạng, tế bào hoặc nhận diện tổn thương võng mạc.
• Chuyên gia phát triển hệ thống bảo mật sinh trắc học: Nắm vững cấu trúc mô-đun hóa của hệ thống OSIRIS, phương pháp đánh giá hệ thống qua đường cong DET/ROC, và kỹ thuật trích xuất mã mống mắt phục vụ xây dựng giải pháp xác thực đa phương thức.
• Các cơ quan quản lý an ninh, hải quan và ngân hàng số: Tham khảo cơ sở khoa học để xây dựng bộ tiêu chuẩn kỹ thuật khi đấu thầu, kiểm thử và nghiệm thu các hệ thống nhận diện khuôn mặt - mống mắt quy mô quốc gia.
• Học viên cao học và sinh viên chuyên ngành Khoa học máy tính: Sử dụng như một công trình mẫu mực về phương pháp nghiên cứu thực nghiệm, cách xử lý dữ liệu nhiễu quy mô lớn (2.953 ảnh) và phương pháp đối chuẩn khoa học với ground truth.

Câu hỏi thường gặp

• Tại sao biến đổi Hough thuần túy không đủ để phân đoạn chính xác mống mắt?
  Biến đổi Hough giả định ranh giới mắt là hình tròn hoàn hảo, trong khi con ngươi thực tế có dạng elip méo và mống mắt thường bị mí mắt, lông mi che phủ bất quy tắc. Thuật toán dễ bị đánh lừa bởi biên có độ tương phản cao của lông mi chải mascara, gây sai lệch lớn nếu không có bước tinh chỉnh đường bao tự do bằng mô hình Snake.
• Thuật toán giải quyết vấn đề đốm sáng phản xạ (spotlight) trên con ngươi như thế nào?
  Nghiên cứu áp dụng mô hình phân phối xác suất Gauss hai thành phần ($P_1$ cho mức xám tối của con ngươi từ 0-25 và $P_2$ cho mức xám sáng 255 của đốm phản xạ) trong cửa sổ $10 \times 10$ pixels. Kỹ thuật này giúp lấp đầy các "lỗ hổng" phản xạ bên trong con ngươi, ngăn ngừa đường bao tích cực bị co rút sai lệch.
• Chỉ số nVoteNorm có vai trò gì trong việc chọn đường tròn tối ưu?
  Đường tròn có bán kính lớn tự nhiên tích lũy nhiều điểm biên hơn, dẫn đến số phiếu bầu ($nVote$) cao hơn dù không khớp với đối tượng. Bằng cách lấy số phiếu chia cho bán kính ($nVoteNorm = nVote / r$), thuật toán loại bỏ hoàn toàn sự thiên vị kích thước, đảm bảo chọn đúng ranh giới thực có mật độ biên tập trung cao nhất.
• Bộ ba tham số alpha, beta, gamma của mô hình Snake có ý nghĩa gì?
  Tham số $\alpha$ đại diện cho lực co giãn đàn hồi, $\beta$ kiểm soát độ cứng chống gấp khúc của đường cong, và $\gamma$ quyết định lực hút từ gradient ảnh ngoại cảnh. Thử nghiệm trên tập dữ liệu ICE 2005 xác định bộ thông số tối ưu $\alpha = 1.0, \beta = 1.0, \gamma = 1.0$ mang lại sự cân bằng hoàn hảo giữa độ mượt mà và khả năng bám biên.
• Hệ thống OSIRIS đánh giá chất lượng phân đoạn thông qua những tiêu chí nào?
  OSIRIS sử dụng ảnh mống mắt đã phân đoạn để chuyển đổi sang tọa độ cực phẳng (chuẩn hóa Daugman), lọc dải tần số qua sóng con Gabor 2D, trích xuất IrisCode và tính khoảng cách Hamming có áp dụng mặt nạ (mask). Hiệu năng toàn hệ thống được biểu diễn trực quan qua tỷ lệ lỗi EER trên đường cong DET.

Kết luận

• Xây dựng thành công mô-đun phân đoạn mống mắt lai ghép hoàn chỉnh bằng C++/OpenCV, kết hợp hiệu quả biến đổi Hough và mô hình đường bao tích cực Snake trên hệ thống OSIRIS.
• Đạt tỷ lệ định vị con ngươi thành công 99,83% (2.948/2.953 ảnh) nhờ thuật toán phân ngưỡng thích nghi đa vòng lặp, đồng thời giảm lỗi biên khởi tạo xuống 0,23%.
• Đề xuất thành công hệ thống ràng buộc không gian hình học ($distIP$, $diffIP$, $d_{max}, d_{min}$), triệt tiêu hoàn toàn 1.145 trường hợp lỗi giao cắt do nhiễu lông mi và mascara.
• Chứng minh sự vượt trội của giải pháp qua đường cong DET và chỉ số EER so với các thuật toán tham chiếu truyền thống trên bộ dữ liệu chuẩn quốc tế NIST ICE 2005.
• Định hình lộ trình nghiên cứu tiếp theo bao gồm tối ưu hóa xử lý thời gian thực dưới 50ms và tích hợp học sâu để phân vùng nhiễu tự động.

Quý độc giả, nhà nghiên cứu và kỹ sư quan tâm có thể khai thác mã nguồn và tài liệu kỹ thuật của hệ thống OSIRIS để tích hợp, phát triển các giải pháp xác thực sinh trắc học thế hệ mới với độ tin cậy và bảo mật vượt trội.

Trích đoạn nội dung tài liệu

Institut de la Francophonie Institut National des pour l’Informatique Télécommunications Mémoire de fin d’étude Développement d’un module de segmentation pour un système de reconnaissance biométrique basé sur l’iris Réalisé par : PHAN Viet Anh Responsable du stage : Bernadette Dorizzi Sonia Salicetti Ce stage a été réalisé au département Électronique et Physique de l’Institut National des Télécommunications ÉVRY, France, Novembre 2008 LUAN VAN CHAT LUONG download : add [e-mail] Table des matières Remerciements. 6 Liste des figures. 7 Liste des tableaux. 10 I - Contexte du stage.

10 II - Objectif du stage. 10 III - Plan du document. 11 Système de reconnaissance biométrique. 12 II - Architecture d’un système de reconnaissance biométrique.

12 III - Évaluation d’un système de reconnaissance biométrique. 13 IV - Système de référence. 18 I - Transformée de Hough. Détection de droite.

Détection de cercle. 21 II - Contour actif (Snake contour en anglais). Les bases de données. 27 II - Solutions proposées.

27 III - Localisation de la pupille. 30 PHAN Viet Anh – Promotion 12 Page 2 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. 33 IV - Segmentation de la pupille. Recherche du contour initial.

Application du contour actif. 41 V - Segmentation de l’iris. Recherche du contour initial. Application du contour actif.

53 VI - Génération du masque. Recherche du cercle le plus proche du contour final. Génération du masque. 62 I - Préparation des évaluations.

62 II - La catégorie « facile ». 63 III - La catégorie « difficile ». 65 Conclusion et perspectives. 68 PHAN Viet Anh – Promotion 12 Page 3 LUAN VAN CHAT LUONG download : add [e-mail] Remerciements Je commence par adresser mes remerciements à Madame Bernadette DORIZZI, directrice du département EPH (Électronique et Physique) de l’Institut National des Télécommunications (INT), à mon responsable de stage pour m’avoir accueilli dans cet équipe et de m’avoir aidé durant ce stage.

Je voudrais aussi remercier Madame Sonia GARCIA-SALICETTI pour les conseils précieux qu’elles m’a fournis pendant les 8 mois de stage. Je tiens également à remercier Emine, Aurélien, Anouar, Walid et les autres membres de l’équipe INTERMEDIA du département EPH pour leur aide et leur gentillesse pendant mon séjour en France. Enfin, je voudrais exprimer mon entière reconnaissance envers ma famille, mes amis et mes professeurs de l’IFI pour leurs soutiens, leurs aides et leurs encouragements. PHAN Viet Anh – Promotion 12 Page 4 LUAN VAN CHAT LUONG download : add [e-mail] Résumé Ce document décrit mon travail durant mon stage de fin d’étude de Master 2 d’informatique au sein du département Électronique et Physique de l’Institut National des Télécommunications (INT).

Le but principal de mon stage est de développer un nouveau module de segmentation pour un système de reconnaissance biométrique basé sur l’iris. J’ai utilisé la transformée de Hough pour rechercher le contour initial de l’iris et de la pupille après avoir localisé la région de la pupille. Puis, j’ai appliqué une recherche du contour actif en me servant des contours initiaux de l’étape précédente. J’ai fait plusieurs tests dans chacune des étapes afin d'analyser les erreurs et de proposer des améliorations.

Pour finir, j’ai ajouté une petite phase de génération de masque ayant pour but l’adaptation avec les autres modules du système d’OSIRIS. Enfin, j’ai utilisé les modules de normalisation et de classification du système OSIRIS pour évaluer la performance de ce nouveau module de segmentation. Ainsi, pour ce faire j'ai tracé les courbes DET pour chacun des différents types de segmentation à savoir celui de référence, d'Hough seul, d'Hough avec contour actif et celui du système d’OSIRIS. On constate que la combinaison de la transformée de Hough avec le contour actif nous donne de meilleurs résultats que la segmentation utilisant la transformée de Hough seule.

De plus, les résultats de cette nouvelle segmentation sont toujours meilleurs que ceux du système d’OSIRS. PHAN Viet Anh – Promotion 12 Page 5 LUAN VAN CHAT LUONG download : add [e-mail] Abstract This document describes my work during a training course of my study Master 2 computer in the Electronics and Physics department of the National Institute of Telecommunications (INT). My mission is to develop a new segmentation module for biometric recognition system based on iris. I used the Hough transform to find the initial contour of the iris and the pupil after locating the pupil's region.

Then I apply a phase of seeking the active contour using the initials contours of the previous step. I have already done several testing in each phase to analyze errors and propose improvements. I added a small phase to generate one mask designed to adapt it with other modules of the system OSIRIS. In the end, I used the normalization module and the classification module of the OSIRIS system to evaluate the performance of this new module.

Base on the curve DET which represent performances of the OSIRIS system using different segmentation results (reference, Hough only, Hough with the active contour and the result of segmentation module of the system OSIRIS), we can see that combining the Hough transform with the active contour has given us the best result than the segmentation using the Hough transform only. Furthermore, the result of this new segmentation module is always better than the latter of the system Osiris. PHAN Viet Anh – Promotion 12 Page 6 LUAN VAN CHAT LUONG download : add [e-mail] Liste des figures Figure 1 : Architecture d'un système de reconnaissance biométrique. 13 Figure 2: Taux de vraisemblance des utilisateurs légitimes et des imposteurs dans un système de vérification biométrique.

14 Figure 3: La courbe ROC. 15 Figure 4: La courbe DET. 15 Figure 5: Les modules différents du système d'OSIRIS. 16 Figure 6: Transformation d'une ligne est un point dans l'espace de paramètre.

18 Figure 7: Chercher la ligne qui passe par deux points en utilisant la transformée de Hough. 19 Figure 8: Présentation de ligne en système polaire. 21 Figure 9: Un cercle transformé de l'espace (x,y) à l'espace de paramètre avec le rayon fixé. 22 Figure 10: La transformée de Hough pour un cercle dans l'espace de paramètre.

22 Figure 11: L'énergie interne. 24 Figure 12: Illustration de la force élastique et la force de courbure. 25 Figure 13: Illustration de l'effet de l'énergie externe. 25 Figure 14: Une image dans la base de données CASIA v1.

26 Figure 15: Des exemples d'images de la base de données ICE 2005. 27 Figure 16: La région du cil est plus grande que celle-là de la pupille. 32 Figure 17: Quelques images binaires de la zone de la pupille. 35 Figure 18: La pupille est bien centrée dans la zoneP.

38 Figure 19: Le résultat du contour actif en utilisant les paramètres optimaux. 45 Figure 20: Le niveau de gris de l'iris est très varié. 46 Figure 21: Le contour des cils est plus fort que celui-ci de l'iris. 49 Figure 22: Quelques types d'erreur du premier test.

50 Figure 23: Les contraintes rajoutées pour améliorer le résultat. 50 Figure 24: Quelques types d'erreur dans le deuxième test. 53 Figure 25: Les images avant et après application des prétraitements. 54 Figure 26: Une image normalisée d'iris.

56 Figure 27: Exemple d’entrée et résultat du module de normalisation. 56 PHAN Viet Anh – Promotion 12 Page 7 LUAN VAN CHAT LUONG download : add [e-mail] Figure 28: Les images du contour final après suppression des parties supérieures et inférieures. 58 Figure 29: Génération d'une image normalisée de l'iris. 61 Figure 30: Génération du masque.

61 Figure 31: Exemple d'images de la classe facile (a) et la classe difficile (b). 62 Figure 32: La courbe DET de la segmentation de référence (rouge), Hough seule (vert), Hough avec contour actif (bleu) et Osiris (magenta) (Catégorie « facile »). 63 Figure 33: La distribution des scores intra-classe et inter-classe pour chaque type de segmentation (Catégorie « facile »). 64 Figure 34: La courbe DET de la segmentation de référence (rouge), Hough seul et (vert), Hough avec contour actif (bleu) et Osiris (magenta) (Catégorie « difficile »).

65 Figure 35: La distribution de score intra-classe et inter-classe pour chaque type de segmentation (Catégorie « difficile »). 66 PHAN Viet Anh – Promotion 12 Page 8 LUAN VAN CHAT LUONG download : add [e-mail] Liste des tableaux Tableau 1: Accumulateur. 19 Tableau 2: Accumulation après calcul pour le point A(2,4). 20 Tableau 3: Accumulation après calcul pour le point A(2,4) et le point B(1,1).

20 Tableau 4: Exemple du résultat de localisation de la pupille. 31 Tableau 5: Une partie du tableau de comparaison entre le cercle obtenu avec le cercle référence. 36 Tableau 6: Le résultat de la comparaison entre le cercle obtenu et le cercle de référence après ajout de la condition. 39 Tableau 7: Les 7 cas d'erreur de la phase de recherche du contour initial de la pupille.

41 Tableau 8: Les résultats de prétraitements avant application du contour actif pour la pupille 43 Tableau 9: Effet du paramètre alpha. 44 Tableau 10: Effet du paramètre bêta. 44 Tableau 11: Effet du paramètre gamma. 45 Tableau 12: Tableau de comparaison du premier test pour la phase de recherche du contour initial de l'iris.

48 Tableau 13: Tableau de comparaison de la segmentation de référence pour le deuxième test 51 Tableau 14: Quelques erreurs qui sont corrigées grâce aux nouvelles conditions. 52 Tableau 15: Les résultats des deux tests pour trouver le contour final. 55 Tableau 16: Des exemples de résultat de la première méthode (la première ligne) et ceux correspondant à la deuxième méthode (la deuxième ligne). 57 Tableau 17: En comparaison avec les autres méthodes, le résultat de la dernière méthode est toujours meilleur.

59 Tableau 18: Le résultat de la dernière méthode peut améliorer le résultat du contour actif. 60 PHAN Viet Anh – Promotion 12 Page 9 LUAN VAN CHAT LUONG download : add [e-mail] Introduction I - Contexte du stage GET – le groupe des Écoles des Télécommunications sont plusieurs grandes écoles d'ingénieurs et de management. Il possède des centres de recherche notamment à Paris (ENST Paris – École National Supérieure des Télécommunications Paris), à Brest (ENST Bretagne) et Évry (INT – Institut National des Télécommunications). L'équipe INTERMEDIA (Interface pour le multimédia) est une équipe du département EPH (Électronique et Physique) de l'INT qui fait beaucoup de recherche dans le domaine de la biométrie.

Elle travaille sur l'élaboration de système de reconnaissance biométrique basé sur la signature, l'iris, le visage, et etc. OSIRIS est un système de reconnaissance basé sur la texture de l'iris développé par cette équipe. Il (OSIRIS) a été développé et optimisé en 2007 pour la base CASIA v1. C'est un système modulaire inspiré par les travaux de Daugman.

Il y a deux grands modules dans ce système : le module de segmentation et le module de classification. Le module de segmentation utilise la transformée de Hough pour détecter le contour de la pupille et le contour de l'iris. Il est inspiré du module de segmentation développé par Masek. Ce module n'est pas portable, c'est-à-dire qu'on ne peut pas l'utiliser avec les autres bases de données, car il a été optimisé sur CASIA v1.

Le module de classification applique le filtre de Gabor sur une image normalisée et ensuite calcule le score de similarité entre deux images en utilisant la distance de Hamming. II - Objectif du stage Dans le cadre du projet MBGC (Multiple Biometric Grand Challenge) organisé par le NIST (National Institute of Standards and Technology), l'équipe INTERMEDIA a eu besoin d'améliorer le système OSIRIS.