Đề xuất kết hợp SURF, Lipschitz & Fuzzy Logic sàng lọc chữ ký giả mạo

Phương pháp kết hợp SURF, Lipschitz và Fuzzy Logic giúp sàng lọc các vị trí giả mạo, nghi ngờ trên chữ ký, mang lại độ chính xác và hiệu quả cao.

• Tác giả: Lê Quang Thiện
• Người hướng dẫn: Ts. Hoàng Mạnh Hà
• Trường học: Đại học Thủ Dầu Một
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Đề xuất kết hợp Surf và độ đo Lipschitz với Fuzzy Logic cho vấn đề sàng lọc những vị trí nghi ngờ giả mạo của chữ ký
• Loại tài liệu: Luận văn
• Năm xuất bản: 2017
• Địa điểm: Thủ Dầu Một

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC CÁC HÌNH VẼ
• 1. CHƯƠNG 1: TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng, phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Bố cục luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Tổng quan về xác minh chữ ký
• 2.2. Phân loại các hệ thống xác minh chữ ký
• 2.3. Cách tiếp cận cho bài toán xác minh chữ ký
• 2.4. Một số vấn đề liên quan đến hiệu năng của hệ thống xác minh chữ ký
• 2.5. Các bước thực hiện của hệ thống xác minh chữ ký
• 2.5.1. Thu nhận dữ liệu
• 2.5.2. Trích xuất và lựa chọn đặc trưng
• 2.5.3. Đánh giá hiệu năng
• 2.6. Một số lợi ích và ứng dụng của xác minh chữ ký
• 2.6.1. Lợi ích của xác minh chữ ký
• 2.6.2. Các ứng dụng của xác minh chữ ký
• 2.7. Một số nghiên cứu liên quan
• 2.8. Hướng đề xuất nghiên cứu
• 3. CHƯƠNG 3: ĐỀ XUẤT XÁC MINH CHỮ KÝ VỚI SURF VÀ SVM
• 3.1. Trích chọn đặc trưng điểm nổi bật cho bài toán xác minh chữ ký offline
• 3.1.1. Thuật toán tìm kiếm góc Harris
• 3.1.2. Trích chọn đặc trưng cục bộ bất biến với SIFT
• 3.1.3. Trích chọn đặc trưng SURF
• 3.2. Mô hình túi đựng từ Bag of Words trong nhận dạng đối tượng
• 3.2.1. Bag of Word
• 3.2.2. Áp dụng khối Bag of Word vào nhận dạng đối tượng trong ảnh
• 3.3. Giới thiệu về tập mờ
• 3.3.1. Phép mở rộng hình trụ trên tập mờ
• 3.3.2. Phép giao trên tập mờ
• 3.3.3. Phép hội trên tập mờ
• 3.3.4. Quan hệ mờ
• 3.3.5. Luật mờ và suy diễn luật
• 3.3.6. Mô hình suy diễn mờ
• 3.4. Phân lớp, nhận dạng đối tượng với SVM
• 3.4.1. SVM với tập mẫu phân hoạch tuyến tính được
• 3.4.2. SVM tuyến tính với tập mẫu không phân hoạch tuyến tính được
• 3.4.3. SVM phi tuyến
• 3.5. Đề xuất mô hình xác minh chữ ký với SURF, BoW và SVM
• 3.5.1. Giai đoạn huấn luyện
• 3.5.2. Giai đoạn xác minh chữ ký
• 3.6. Kết luận chương 3
• 4. CHƯƠNG 4: CÀI ĐẶT VÀ THỰC NGHIỆM
• 4.1. Dữ liệu chương trình
• 4.2. Cách tiến hành thực nghiệm
• 4.3. Các tham số cài đặt
• 4.4. Môi trường thực nghiệm
• 4.5. Kết quả thực nghiệm
• 4.6. Phần mềm trực quan hóa kết quả
• 4.7. Kết luận chương 4
• 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Hướng phát triển
• CÔNG TRÌNH CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Phương pháp xác minh chữ ký giả Tổng quan Tầm quan trọng

Xác minh chữ ký viết tay là một trong những phương pháp xác thực sinh trắc học hành vi lâu đời và được chấp nhận rộng rãi nhất trên toàn cầu. Trong bối cảnh kỹ thuật số phát triển, các nguy cơ về giả mạo chữ ký ngày càng tinh vi, đặt ra yêu cầu cấp thiết về các giải pháp tự động hóa để đảm bảo an ninh tài liệu trong các giao dịch tài chính, pháp lý và hành chính. Một chữ ký không chỉ là một danh tính mà còn là một cam kết pháp lý, do đó, việc phân biệt chữ ký thật và giả một cách chính xác có ý nghĩa sống còn. Các hệ thống xác minh chữ ký truyền thống, dựa nhiều vào chuyên gia con người, thường đối mặt với các vấn đề về hiệu suất, tính nhất quán và chi phí. Sự ra đời của các công nghệ xử lý ảnh số và trí tuệ nhân tạo đã mở ra một hướng đi mới. Trong đó, phương pháp kết hợp giữa trích xuất đặc trưng SURF (Speeded Up Robust Features) và Logic Mờ (Fuzzy Logic) nổi lên như một giải pháp đột phá. Cách tiếp cận này không chỉ kế thừa tốc độ và sự mạnh mẽ của thuật toán SURF trong việc nhận diện các điểm đặc trưng bất biến của chữ ký, mà còn tận dụng khả năng xử lý sự không chắc chắn và mơ hồ của hệ mờ, mô phỏng gần với quá trình ra quyết định của con người. Điều này đặc biệt hữu ích khi các chữ ký thật của cùng một người luôn có những biến thể tự nhiên nhất định.

1.1. Tầm quan trọng của xác thực sinh trắc học trong an ninh

Trong lĩnh vực an ninh thông tin, xác thực sinh trắc học đóng một vai trò không thể thay thế. Không giống như mật khẩu hay mã PIN có thể bị đánh cắp hoặc quên, các đặc điểm sinh trắc học như vân tay, mống mắt, và chữ ký là độc nhất và gắn liền với mỗi cá nhân. Chữ ký, với tư cách là một đặc điểm sinh trắc học hành vi, mã hóa cả hình dạng tĩnh và động lực ký của một người. Việc tự động hóa quá trình kiểm tra chữ ký thật giả giúp giảm thiểu sai sót của con người, tăng tốc độ xử lý giao dịch tại các ngân hàng, và củng cố hàng rào bảo vệ chống lại các hành vi lừa đảo. Một hệ thống tự động hiệu quả phải đạt được tỷ lệ chấp nhận sai (FAR) thấp và tỷ lệ từ chối sai (FRR) thấp, đảm bảo rằng chữ ký giả bị phát hiện trong khi chữ ký thật được chấp nhận.

1.2. Giới thiệu giải pháp kết hợp SURF và Fuzzy Logic tiên tiến

Giải pháp đề xuất trong nghiên cứu này tập trung vào việc kết hợp hai công nghệ mạnh mẽ: trích xuất đặc trưng SURF và logic mờ trong AI. SURF là một thuật toán thị giác máy tính được tối ưu hóa về tốc độ, cho phép phát hiện các điểm đặc trưng chính (keypoints) trên ảnh chữ ký một cách nhanh chóng và ổn định, bất kể sự thay đổi về tỷ lệ, góc quay hay điều kiện ánh sáng. Sau khi các vector đặc trưng được trích xuất, Fuzzy Logic được sử dụng để phân loại. Thay vì đưa ra quyết định nhị phân cứng nhắc "thật" hoặc "giả", hệ thống Fuzzy Inference System cho phép đánh giá mức độ tương đồng dựa trên một tập các quy tắc mờ, phản ánh sự không chắc chắn vốn có trong chữ ký viết tay. Sự kết hợp này hứa hẹn mang lại độ chính xác cao và khả năng thích ứng tốt với các biến thể tự nhiên của chữ ký.

II. Thách thức cốt lõi trong việc kiểm tra chữ ký thật giả offline

Bài toán nhận dạng chữ ký offline, nơi hệ thống chỉ có đầu vào là hình ảnh tĩnh của chữ ký, vốn dĩ phức tạp hơn rất nhiều so với xác minh online (ghi lại quá trình ký). Thách thức lớn nhất đến từ sự biến thiên nội tại (intra-personal variation) - ngay cả chữ ký thật của cùng một người cũng không bao giờ giống hệt nhau qua các lần ký. Đồng thời, sự tinh vi của các hành vi giả mạo chữ ký đặt ra một rào cản lớn. Các loại giả mạo được phân loại dựa trên mức độ thông tin và kỹ năng của kẻ giả mạo, từ đó ảnh hưởng trực tiếp đến độ khó của bài toán. Các phương pháp truyền thống thường gặp khó khăn trong việc xây dựng một mô hình đủ linh hoạt để chấp nhận sự thay đổi tự nhiên của chữ ký thật, nhưng cũng đủ nghiêm ngặt để phát hiện những sao chép tinh vi. Hơn nữa, chất lượng ảnh quét, nhiễu nền, và loại bút/giấy cũng là những yếu tố ảnh hưởng đến hiệu năng của hệ thống phân loại chữ ký. Việc lựa chọn các đặc trưng phù hợp để biểu diễn chữ ký là bước cực kỳ quan trọng, quyết định khả năng phân biệt của mô hình. Các đặc trưng phải đủ mạnh để chống lại các biến đổi hình học và đủ nhạy để nắm bắt những chi tiết vi mô tạo nên sự độc nhất của một chữ ký.

2.1. Phân loại các kiểu giả mạo chữ ký Từ đơn giản đến tinh vi

Việc đánh giá một hệ thống kiểm tra chữ ký thật giả phụ thuộc rất nhiều vào loại chữ ký giả được sử dụng. Có ba loại chính: 1) Giả mạo ngẫu nhiên (Random Forgery): Kẻ giả mạo không biết tên hay hình dạng chữ ký của người cần giả mạo. Đây là loại dễ phát hiện nhất. 2) Giả mạo đơn giản (Simple Forgery): Kẻ giả mạo biết tên nhưng không có mẫu chữ ký, họ tự ký theo phong cách của mình. 3) Giả mạo tinh vi (Skilled Forgery): Đây là thách thức lớn nhất. Kẻ giả mạo có mẫu chữ ký thật và đã luyện tập nhiều lần để sao chép lại một cách chính xác nhất có thể. Một hệ thống machine learning cho chữ ký hiệu quả phải có khả năng phân biệt được cả loại giả mạo tinh vi này.

2.2. Hạn chế của các phương pháp nhận dạng mẫu truyền thống

Nhiều phương pháp nhận dạng mẫu truyền thống dựa trên các đặc trưng toàn cục (global features) như tỷ lệ chiều cao/chiều rộng, diện tích, hay trọng tâm. Mặc dù dễ tính toán, các đặc trưng này thường không đủ mạnh để đối phó với giả mạo tinh vi, bởi kẻ giả mạo có thể dễ dàng bắt chước các thuộc tính tổng thể này. Các phương pháp khác dựa trên so khớp mẫu trực tiếp cũng gặp khó khăn với sự co giãn và biến dạng tự nhiên của chữ ký. Chúng yêu cầu một lượng lớn mẫu tham chiếu và nhạy cảm với những thay đổi nhỏ, dẫn đến tỷ lệ từ chối sai (FRR) cao. Do đó, cần một cách tiếp cận dựa trên các đặc trưng cục bộ (local features) mạnh mẽ hơn, có khả năng nắm bắt các chi tiết vi mô như góc, đường cong và điểm giao cắt.

III. Cách trích xuất đặc trưng SURF để nhận dạng chữ ký hiệu quả

Để vượt qua hạn chế của các đặc trưng toàn cục, thuật toán SURF (Speeded Up Robust Features) được áp dụng để trích xuất đặc trưng cục bộ từ ảnh chữ ký. SURF là một cột mốc quan trọng trong lĩnh vực thị giác máy tính, nổi tiếng với tốc độ xử lý vượt trội và tính bền vững cao. Ý tưởng cốt lõi của SURF là xác định các điểm nổi bật (interest points) trên chữ ký - những vị trí có chứa nhiều thông tin nhất như các góc, điểm cuối của nét bút, hoặc các điểm giao nhau. Quá trình này được thực hiện bằng cách sử dụng bộ dò Fast-Hessian, một phương pháp xấp xỉ ma trận Hessian hiệu quả. Một trong những cải tiến chính của SURF là việc sử dụng ảnh tích hợp (Integral Image), cho phép tính toán các phép tích chập với bộ lọc hộp (box filters) một cách cực kỳ nhanh chóng, không phụ thuộc vào kích thước của bộ lọc. Sau khi các điểm nổi bật được xác định, một bộ mô tả (descriptor) sẽ được xây dựng cho mỗi điểm dựa trên phân phối của các đáp ứng Haar wavelet trong vùng lân cận. Kết quả là một vector đặc trưng đa chiều, mô tả cấu trúc cục bộ xung quanh điểm nổi bật, đồng thời bất biến với các phép biến đổi hình học và thay đổi ánh sáng. Việc sử dụng SURF giúp hệ thống tập trung vào những phần quan trọng nhất của chữ ký thay vì phân tích toàn bộ ảnh.

3.1. Nguyên lý hoạt động của thuật toán SURF trong xử lý ảnh số

Hoạt động của thuật toán SURF có thể được chia thành hai giai đoạn chính: phát hiện điểm nổi bật và mô tả đặc trưng. Giai đoạn đầu tiên sử dụng bộ dò Fast-Hessian để tìm các điểm cực trị trong không gian tỷ lệ. Bằng cách áp dụng các bộ lọc hộp với kích thước tăng dần, SURF có thể phát hiện các cấu trúc blob ở các tỷ lệ khác nhau. Giai đoạn thứ hai, sau khi đã có vị trí và tỷ lệ của các điểm nổi bật, thuật toán sẽ gán một hướng chính cho mỗi điểm. Cuối cùng, một vùng lân cận hình vuông được xác định xung quanh điểm nổi bật, định hướng theo hướng chính, và được chia thành các vùng con. Trong mỗi vùng con, các đáp ứng Haar wavelet được tính toán để tạo ra một vector đặc trưng 64 chiều. Các thư viện xử lý ảnh số như OpenCV SURF cung cấp các hàm cài đặt sẵn, giúp triển khai thuật toán này một cách thuận tiện.

3.2. So sánh SIFT và SURF Ưu điểm tốc độ và hiệu quả

SURF thường được xem là phiên bản kế thừa và cải tiến của thuật toán SIFT (Scale-Invariant Feature Transform). Cả hai đều nhằm mục đích trích xuất các đặc trưng cục bộ bất biến. Tuy nhiên, trong so sánh SIFT và SURF, SURF thể hiện ưu thế vượt trội về tốc độ. SIFT sử dụng xấp xỉ Difference of Gaussians (DoG) phức tạp hơn, trong khi SURF sử dụng các bộ lọc hộp và ảnh tích hợp, giúp giảm đáng kể thời gian tính toán. Hơn nữa, vector mô tả chuẩn của SURF (64 chiều) nhỏ hơn so với SIFT (128 chiều), giúp quá trình so khớp đặc trưng diễn ra nhanh hơn. Mặc dù SIFT có thể nhỉnh hơn một chút về độ chính xác trong một số trường hợp, sự cân bằng tuyệt vời giữa tốc độ và độ bền vững làm cho SURF trở thành lựa chọn ưu tiên cho nhiều ứng dụng nhận dạng mẫu và thị giác máy tính thời gian thực.

IV. Hướng dẫn ứng dụng Logic Mờ để phân loại chữ ký chính xác

Sau khi các vector đặc trưng được trích xuất bằng SURF, bước tiếp theo là phân loại chữ ký. Logic cổ điển chỉ cho phép các kết luận đúng/sai tuyệt đối, điều này không phù hợp với bản chất của chữ ký viết tay, vốn luôn tồn tại sự không chắc chắn. Đây là lúc Logic Mờ (Fuzzy Logic) phát huy vai trò của mình. Logic mờ trong AI là một phương pháp tiếp cận tính toán dựa trên "mức độ đúng" thay vì logic "đúng hoặc sai" (1 hoặc 0) thông thường. Một hệ thống Fuzzy Inference System (FIS), hay còn gọi là hệ mờ, được xây dựng để đưa ra quyết định dựa trên các đầu vào không chính xác, nhiễu và không hoàn chỉnh. Trong bài toán xác minh chữ ký, hệ mờ sẽ nhận các đặc trưng SURF làm đầu vào và tính toán một "mức độ tin cậy" cho thấy chữ ký đó là thật. Quá trình này bao gồm ba bước chính: Mờ hóa (Fuzzification), Suy diễn mờ (Fuzzy Inference), và Giải mờ (Defuzzification). Bằng cách định nghĩa các biến ngôn ngữ (ví dụ: "độ tương đồng thấp", "trung bình", "cao") và các luật mờ ("NẾU độ tương đồng CAO THÌ chữ ký là THẬT"), hệ thống có thể mô phỏng quá trình suy luận của chuyên gia con người một cách linh hoạt và hiệu quả.

4.1. Xây dựng hàm thành viên và luật mờ trong hệ thống

Trái tim của một hệ mờ là tập hợp các luật mờ và các hàm thành viên logic mờ. Hàm thành viên (Membership Function) định nghĩa cách mỗi giá trị đầu vào (ví dụ: khoảng cách giữa hai vector đặc trưng) được ánh xạ vào một mức độ thuộc về một tập mờ (ví dụ: mức độ thuộc về tập "Tương đồng cao"). Các hàm này có thể có dạng hình tam giác, hình thang, hoặc Gaussian. Sau đó, các luật mờ dạng IF-THEN được các chuyên gia thiết lập hoặc được học từ dữ liệu. Ví dụ, một luật có thể là: "NẾU số lượng điểm đặc trưng khớp nhau LÀ NHIỀU VÀ khoảng cách trung bình LÀ NHỎ THÌ mức độ tin cậy LÀ CAO". Hệ thống sẽ kết hợp kết quả từ nhiều luật để đưa ra kết luận cuối cùng.

4.2. Vai trò của bộ giải mờ trong việc ra quyết định cuối cùng

Sau khi quá trình suy diễn mờ tạo ra một kết quả đầu ra mờ, cần có một bước cuối cùng để chuyển kết quả này thành một giá trị rõ ràng, cụ thể để hệ thống có thể hành động. Bước này được gọi là giải mờ, và được thực hiện bởi bộ giải mờ (Defuzzifier). Có nhiều phương pháp giải mờ khác nhau, nhưng phương pháp phổ biến nhất là "trọng tâm" (Centroid of Area - COA). Phương pháp này tính toán trọng tâm của vùng được tạo ra bởi kết quả đầu ra mờ, từ đó cho ra một giá trị số duy nhất. Ví dụ, giá trị này có thể là một điểm số từ 0 đến 1, trong đó giá trị gần 1 cho thấy chữ ký có khả năng cao là thật, và ngược lại. Quyết định cuối cùng sẽ được đưa ra bằng cách so sánh điểm số này với một ngưỡng đã xác định.

V. Mô hình xác minh chữ ký giả Kết hợp SURF và Hệ Mờ thực tiễn

Mô hình hoàn chỉnh cho việc xác minh chữ ký giả kết hợp SURF và Fuzzy Logic được triển khai qua một quy trình có cấu trúc. Quy trình này bao gồm hai giai đoạn chính: huấn luyện và xác minh. Trong giai đoạn huấn luyện, hệ thống được cung cấp một tập dữ liệu gồm cả chữ ký thật và chữ ký giả. Với mỗi ảnh chữ ký, các bước tiền xử lý như chuẩn hóa kích thước, khử nhiễu và nhị phân hóa được thực hiện để đảm bảo tính nhất quán. Tiếp theo, thuật toán SURF được áp dụng để trích xuất đặc trưng từ mỗi chữ ký, tạo ra một tập hợp các vector đặc trưng đại diện. Các vector này sau đó được sử dụng để xây dựng và tinh chỉnh hệ mờ. Cụ thể, các hàm thành viên logic mờ và các luật mờ được điều chỉnh để mô hình có thể phân biệt tốt nhất giữa hai lớp chữ ký. Giai đoạn xác minh diễn ra khi có một chữ ký mới cần kiểm tra. Chữ ký này cũng trải qua các bước tiền xử lý và trích xuất đặc trưng tương tự. Vector đặc trưng của nó sau đó được đưa vào Fuzzy Inference System đã được huấn luyện. Hệ thống sẽ tính toán một điểm số tin cậy và so sánh với ngưỡng quyết định để kết luận chữ ký là thật hay giả. Hiệu năng của mô hình được đánh giá qua các chỉ số quan trọng như FAR (Tỷ lệ Chấp nhận Sai) và FRR (Tỷ lệ Từ chối Sai).

5.1. Quy trình cài đặt mô hình từ thu thập dữ liệu đến xác minh

Quy trình thực tế bao gồm các bước: 1) Thu thập dữ liệu: Sử dụng các bộ dữ liệu chữ ký chuẩn như GPDS hoặc SigComp, bao gồm các mẫu chữ ký thật và các loại giả mạo chữ ký khác nhau. 2) Tiền xử lý: Áp dụng các kỹ thuật xử lý ảnh số để làm sạch và chuẩn hóa dữ liệu đầu vào. 3) Trích xuất đặc trưng: Sử dụng OpenCV SURF để tính toán các điểm đặc trưng và vector mô tả cho mỗi chữ ký. 4) Thiết kế Hệ mờ: Định nghĩa các biến ngôn ngữ, hàm thành viên logic mờ và xây dựng cơ sở luật mờ. 5) Huấn luyện và Tinh chỉnh: Tối ưu hóa các tham số của hệ mờ dựa trên tập dữ liệu huấn luyện. 6) Xác minh: Đưa chữ ký cần kiểm tra vào mô hình và nhận kết quả phân loại.

5.2. Đánh giá hiệu năng qua chỉ số FAR FRR và EER trên bộ dữ liệu

Hiệu suất của một hệ thống xác thực sinh trắc học được đo lường bằng hai tỷ lệ lỗi chính. False Acceptance Rate (FAR) là tỷ lệ các chữ ký giả bị nhận nhầm là thật. False Rejection Rate (FRR) là tỷ lệ các chữ ký thật bị nhận nhầm là giả. Trong thực tế, có một sự đánh đổi giữa FAR và FRR; việc giảm chỉ số này thường làm tăng chỉ số kia. Một chỉ số tổng hợp quan trọng là Equal Error Rate (EER), là điểm mà tại đó FAR bằng FRR. EER càng thấp, hiệu năng tổng thể của hệ thống càng cao. Các kết quả thực nghiệm trên các bộ dữ liệu chuẩn cho thấy phương pháp kết hợp SURF và Fuzzy Logic có khả năng đạt được EER cạnh tranh, chứng tỏ tính hiệu quả trong việc kiểm tra chữ ký thật giả.

VI. Tương lai của công nghệ xác minh chữ ký bằng AI và thị giác

Sự kết hợp giữa trích xuất đặc trưng SURF và Logic Mờ đã chứng minh là một hướng đi đầy hứa hẹn cho bài toán xác minh chữ ký giả, mang lại sự cân bằng giữa tốc độ, độ chính xác và khả năng diễn giải. Tuy nhiên, lĩnh vực an ninh tài liệu và xác thực sinh trắc học vẫn đang không ngừng phát triển. Trong tương lai, các mô hình học sâu (Deep Learning), đặc biệt là Mạng Nơ-ron Tích chập (Convolutional Neural Networks - CNNs), có khả năng sẽ đóng vai trò trung tâm. Các mô hình này có thể tự động học các đặc trưng phức tạp trực tiếp từ ảnh pixel mà không cần bước trích xuất đặc trưng thủ công như SURF, có khả năng mang lại độ chính xác cao hơn nữa. Một hướng phát triển khác là kết hợp đa phương thức (multimodal biometrics), tức là kết hợp xác minh chữ ký với các đặc điểm sinh trắc học khác như nhận dạng khuôn mặt hoặc vân tay để tạo ra một hệ thống bảo mật gần như không thể bị xuyên thủng. Hơn nữa, việc tích hợp các hệ thống thị giác máy tính này vào các thiết bị di động và nền tảng đám mây sẽ giúp triển khai các giải pháp xác thực an toàn và tiện lợi trên quy mô lớn, từ đó định hình lại tương lai của các giao dịch điện tử.

6.1. Tổng kết ưu điểm của phương pháp SURF kết hợp Fuzzy Logic

Phương pháp này sở hữu nhiều ưu điểm nổi bật. Thuật toán SURF đảm bảo quá trình trích xuất đặc trưng nhanh và mạnh mẽ, bất biến với nhiều biến đổi hình học. Trong khi đó, hệ mờ cung cấp một cơ chế ra quyết định linh hoạt, có khả năng xử lý sự mơ hồ và không chắc chắn, rất phù hợp với các dữ liệu sinh trắc học hành vi. Mô hình này không chỉ hiệu quả trong việc phân loại chữ ký mà còn có tính diễn giải cao hơn so với các mô hình "hộp đen" như mạng nơ-ron sâu, giúp con người hiểu được lý do đằng sau quyết định của hệ thống. Đây là một yếu tố quan trọng trong các ứng dụng pháp lý và tài chính.

6.2. Hướng phát triển mới trong lĩnh vực machine learning cho chữ ký

Các hướng nghiên cứu trong tương lai có thể tập trung vào việc phát triển các kiến trúc học sâu lai (hybrid deep learning) kết hợp các đặc trưng được thiết kế thủ công (như SURF) với các đặc trưng được học tự động. Ngoài ra, việc ứng dụng các kỹ thuật học tăng cường (Reinforcement Learning) để hệ thống có thể tự động điều chỉnh ngưỡng quyết định theo thời gian thực dựa trên phản hồi cũng là một hướng đi tiềm năng. Một lĩnh vực khác là phát hiện chữ ký ngụy trang (disguised signatures) - trường hợp chính chủ sở hữu cố tình ký khác đi để chối bỏ giao dịch. Đây là một bài toán cực kỳ thách thức, đòi hỏi những phương pháp machine learning cho chữ ký và nhận dạng mẫu tiên tiến hơn nữa.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan về lĩnh vực nghiên cứu Trình bày tổng quan về đề tài, bao gồm lý do lựa chọn đề tài, mục đích, đối tượng, phạm vi nghiên cứu, các phương pháp nghiên cứu của đề tài. Cơ sở lý thuyết và các nghiên cứu liên quan Chương này trình bày các nội dung tổng quan về bài toán xác minh chữ ký, phân loại các hệ thống xác minh chữ ký, các bước cần triển khai đối với một hệ thống xác minh chữ ký, các yếu tố ảnh hưởng đến kết quả của hệ thống và những thuận lợi, ứng dụng của hệ thống xác minh chữ ký trong thực tế. Đề xuất xác minh chữ ký với SURF và SVM Trong chương này sẽ trình bày các nội dung liên quan đến trích chọn đặc trưng dựa trên điểm nổi bật (tìm góc Harris, SIFT và SURF), mô hình túi đựng từ Bag of Words trong bài toán nhận dạng đối tượng nói chung và nhận dạng chữ 3 ký nói riêng, phương pháp phân lớp SVM.

Cuối cùng đề xuất một mô hình xác minh chữ ký offline kết hợp giữa SURF, BoW và SVM. Cài đặt và thực nghiệm Để đánh giá hiệu quả của mô hình đề xuất, chương 3 tập trung vào việc cài đặt và tiến hành thực nghiệm mô hình đề xuất trên các bộ dữ liệu chuẩn cho việc nhận dạng và xác minh chữ ký SigComp2011 qua đó đánh giá hiệu năng của mô hình với các chỉ số FRR và FAR, thể hiện độ chính xác của việc xác minh. Kết luận và hướng phát triển Đánh giá lại toàn bộ kết quả đã thực hiện được của luận văn, những đóng góp của luận văn, những vấn đề mà luận văn chưa giải quyết được và hướng nghiên cứu trong tương lai. 4 CHƢƠNG 2 CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2.

Tổng quan về xác minh chữ ký 2. Giới thiệu Xác minh chữ ký nhằm mục đích xác nhận danh tính của một người thông qua chữ ký của người đó. Chữ ký được xem như là một đặc trưng sinh trắc học hành vi bởi nó mã hóa cử động của người ký, khiến nó khá khó để bắt chước. So với những đặc điểm thể chất như vân tay, mống mắt hay khuôn mặt, chữ ký thường có tính biến thiên theo thời gian cao hơn.

Cũng giống như với mật khẩu, nếu người dùng chọn một chữ ký đơn giản thì sẽ dễ bị giả mạo. Mặt khác, việc được chấp nhận một cách rộng rãi của chữ ký bởi các ứng dụng công cộng (hiệu lực của các văn bản giấy và sử dụng trong các ứng dụng ngân hàng) khiến nó trở thành một đặc trưng sinh trắc học rất được quan tâm. Đặc trưng vật lý Đặc trưng hành vi Khuôn mặt Gõ bàn phím Bàn tay Chữ ký Vân tay Giọng nói Mống mắt Dáng đi Võng mạc. Các đặc trưng sinh trắc học của con người 1 1 i-talents.

Phân loại các hệ thống xác minh chữ ký Dựa trên phương pháp thu nhận chữ ký được sử dụng, các hệ thống xác minh chữ ký có thể được phân thành 2 nhóm: online (động) và offline (tĩnh). Một ảnh chữ ký tĩnh được quét ở độ phân giải cao (ví dụ: 600 dpi) sẽ làm đầu vào duy nhất cho các hệ thống offline. Việc xác minh chữ ký cho các thẻ tín dụng ngân hàng hay các voucher là các ứng dụng quan trọng sử dụng các hệ thống xác minh chữ ký offline.2 minh họa ví dụ một tập các chữ ký offline. Ngoài hình ảnh chữ ký, thông tin thời gian cũng có hiệu lực đối với các chữ ký được chụp động thu được bằng cách sử dụng các máy tính bảng nhạy áp hay các bút thông minh, các điện thoại thông minh, các thiết bị PDA.

Các thiết bị đầu vào này lấy mẫu chữ ký ở tần số cao, tạo ra một chuỗi các điểm quỹ đạo của chữ ký theo thứ tự thời gian.4 là ví dụ về các thiết bị ghi nhận chữ ký online. Mỗi điểm tương ứng với khoảng thời gian thu nhận và tọa độ vị trí, bên cạnh đó là các đặc trưng động như áp lực hay góc nghiêng của bút tùy thuộc vào thiết bị phần cứng được sử dụng. Xác minh chữ ký online thường được sử dụng cho việc điều khiển truy nhập và các kiểu xác thực văn bản điện tử của các ứng dụng. Do những khác biệt từ đầu vào, việc tiền xử lý, trích xuất đặc trưng và các phương pháp phân lớp được sử dụng, các hệ thống online và offline cho thấy sự đa dạng đáng kể trong các cách tiếp cận, đặc biệt là trong các bước biểu diễn, tiền xử lý và đối sánh.2: Ví dụ về một tập ảnh chữ ký thu thập từ internet 2 2 xemchuky.3: Các thiết bị tạo chữ ký online Sigma, Omega, Gamma, Alpha 3 Hình 2.4: Bút thông minh Anoto Pen 4 Xác minh chữ ký offline có thể nói là mang nhiều thách thức hơn so với xác minh chữ ký online.

Trong khi sự biến thiên giữa các chữ ký của cùng một người và việc các chữ ký dễ bị giả mạo là một thách thức đối với cả hai hệ thống, các thông tin động trong các chữ ký online khiến cho nó tăng tính đơn nhất và khó để giả mạo hơn. Trên thực tế, việc bắt chước cả về hình dạng và thông tin động của một chữ ký online dường như rất khó trừ khi các chữ ký đó quá đơn giản. Trái ngược với đó, có thể trong một số tình huống thực tế, một kẻ mạo danh có thể truy tìm các chữ ký thật và tạo ra một chữ ký giả mạo với chất lượng rất cao. Thêm vào đó, quỹ đạo của chữ ký cũng làm cho các hệ thống xác minh chữ ký online giữa hai chữ ký và phát hiện khác biệt dễ dàng hơn.com 7 Độ chính xác cao hơn đạt được trong các hệ thống online đã truyền cảm hứng cho các nhà nghiên cứu khám phá thông tin động từ các ảnh tĩnh với một vài thành công.

Áp dụng các kỹ thuật đặc biệt ta có thể nhận được thứ tự của nét chữ và áp lực viết của bút trong suốt quá trình viết. Tuy nhiên, đây là các thiết bị rất đắt tiền và cồng kềnh, không hiệu quả về mặt thời gian và khó thực hiện một cách tự động. Hơn nữa, nó có thể thất bại với một số loại giấy và bút; do đó, cách tiếp cận như vậy là không thực tế trong bối cảnh xác minh chữ ký tự động. Cách tiếp cận cho bài toán xác minh chữ ký Các kịch bản xác minh chữ ký cũng có hai mặt: trong khi các giám định viên pháp y quan tâm đến việc xác minh danh tính của người ký tài liệu thì nhiều công ty như ngân hàng lại quan tâm đến việc kiểm soát danh tính bằng chữ ký online hoặc offline cho các hoạt động thường xuyên.

Trong trường hợp được nêu sau đòi hỏi thông lượng cao và sự phản hồi nhanh chóng. Trong một hệ thống xác thực sinh trắc học, trước tiên người dùng phải ghi danh vào hệ thống bằng việc đăng ký các mẫu sinh trắc của họ (trong trường hợp xác minh chữ ký sẽ là các chữ ký mẫu). Trong quá trình xác minh, một chữ ký truy vấn được cung cấp cùng với một danh tính được khai, chữ ký truy vấn sau đó sẽ được so sánh với các chữ ký tham chiếu của cá thể được khai. Nếu độ phi tương tự tính toán được lớn hơn một ngưỡng nhất định, người dùng này sẽ bị từ chối, ngược lại sẽ được xác nhận.

Có hai cách tiếp cận tổng quát cho bài toán xác minh chữ ký, mặc dù nó có thể được ưa dùng hơn tùy thuộc vào hệ thống là xác minh online hay offline: Mô hình dựa trên người dùng đòi hỏi một mô hình trên một người dùng, nhìn chung yêu cầu một lượng lớn các chữ ký tham chiếu (thường là trên 10 chữ ký) trong đó các bộ phân loại như mô hình Markov ẩn (HMM) hay máy véc tơ hỗ trợ (SVM) thường được sử dụng. Trong cách tiếp cận dựa trên mẫu, từ 1 đến 5 mẫu chữ ký tham chiếu của danh tính được khai là đủ để sử dụng như các mẫu. Khoảng cách giữa chữ ký truy vấn và mẫu của chữ ký danh tính được khai sẽ được tính toán. Truy vấn được chấp nhận là chữ ký thật nếu khoảng cách này nhỏ hơn một ngưỡng xác định hoặc bị từ chối vì giả mạo chữ ký trong trường hợp 8 ngược lại.

Nhiều đặc trưng và phương pháp đối sánh mang tính khả thi dựa như: Dynamic Time Warping (DTW) được sử dụng thành công trong xác minh chữ ký online [x] mà ở đó quỹ đạo của chữ ký làm cho việc đăng ký các chữ ký được dễ dàng. Trong xác minh chữ ký offline, các đặc trưng cục bộ thường được sử dụng rộng rãi hơn cùng với các bộ phân lớp khác nhau. Một số vấn đề liên quan đến hiệu năng của hệ thống xác minh chữ ký Hiệu năng của hệ thống thường được đánh giá thông qua các tỷ lệ lỗi: tỷ lệ từ chối sai (False Rejection Rate – FRR) của các chữ ký thật (tỷ lệ các chữ ký thật bị xác minh là giả mạo và bị từ chối bởi hệ thống xác minh) và tỷ lệ chấp nhận sai (False Acceptance Rate – FAR) của các chữ ký giả mạo (tỷ lệ chữ ký giả mạo được xác minh là chữ ký thật và được chấp nhận bởi hệ thống xác minh). FRR được biết đến là lỗi loại 1, FAR là lỗi loại 2 và tỷ lệ lỗi trung bình (Average Error Rate – AER) là trung bình của các lỗi loại 1 và lỗi loại 2 ở trên.

Trong thực tế, một chữ ký giả mạo có thể được ký bởi một kẻ mạo danh đã biết rất rõ về chữ ký của một người cần mạo danh và người đó thậm chí đã nghiên cứu rất kỹ về chữ ký đó, tập ký nhiều lần để ký giống với chữ ký thật nhằm phá vỡ hệ thống xác minh chữ ký. Trong trường hợp xấu nhất, kẻ mạo danh không biết chữ ký của người cần mạo danh hay thậm chí là tên của người đó. Trong một số trường hợp trung gian, kẻ mạo danh có thể chỉ biết về tên của người cần mạo danh mà không biết hình dáng chữ ký. Những khác biệt về thông tin của chữ ký bị giả mạo hoặc mức độ kỹ năng có được của người giả mạo rất quan trọng khi đánh giá hệ thống xác minh chữ ký: một chữ ký giả mạo thiếu kỹ năng hoặc thiếu thông tin sẽ dễ bị phát hiện hơn nhiều so với một chữ ký giả mạo tinh vi.

Một kẻ mạo danh được định nghĩa là người tạo ra chữ ký giả mạo. Các chữ ký giả mạo có thể được chia làm 3 loại chính: 2.