Báo cáo xử lý ảnh vân tay

Sinh trắc học có thể được sử dụng để nhận ra và xác thực cá nhân dựa trên các đặc điểm sinh lý và hành vi.. Trong bài báo cáo này, chúng ta sẻ sử dụng các đặc điểm hành vi là dáng đi để

BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

TP.HCM KHOA: CÔNG NGHỆ THÔNG TIN 2

TIỂU LUẬN MÔN XỬ LÝ ẢNH

CHỦ ĐỀ NHẬN DẠNG DÁNG ĐI

GIẢNG VIÊN HƯỚNG DẪN: Lê Hoàng Thái SINH VIÊN THỰC HIỆN: Hồ Mai Quế

MÃ SỐ SINH VIÊN: N18DCCN163

- -

I Giới thiệu bài toán và sinh trắc học

Hệ thống nhận dạng sinh trắc học của con người được sử dụng trong nhiều lĩnh vực như ngân hàng, sân bay, vụ án hình sự, mục đích an ninh, v.v Sinh trắc học được chia thành hai phần là đặc điểm sinh lý và hành vi Sinh trắc học có thể được sử dụng để nhận ra và xác thực cá nhân dựa trên các đặc điểm sinh lý và hành

vi Đặc điểm sinh lý vùng liên quan đến cấu tạo của cơ thể Chúng có một số ví dụ như dấu vân tay, quét mống mắt, dấu chân, v.v Các đặc điểm hành vi có liên quan đến các kiểu hành vi của một người Chúng có một vài ví dụ như dáng đi, kiểu nói, chữ ký, v.v Trong bài báo cáo này, chúng ta sẻ sử dụng các đặc điểm hành vi là dáng đi để nhận dạng sinh trắc học của con người Nhận dạng dáng đi là kỹ thuật

bổ sung để nhận ra người ở khoảng cách xa theo cách họ đi bộ Nhận dạng dáng đi

có một số ưu điểm so với các phương pháp sinh trắc học khác Nó không yêu cầu chủ thể là người liên hệ

Phương pháp nhận dạng dáng đi được chia thành hai loại cụ thể là phương pháp dựa trên mô hình và phương pháp dựa trên mô hình miễn phí hoặc dựa trên ngoại hình Phương pháp dựa trên mô hình nhằm mục đích mô hình hóa cấu trúc cơ thể người để nhận dạng Chi phí tính toán của phương pháp dựa trên mô hình tương đối cao Chúng thường có hiệu suất thấp hơn Trong khi mô hình miễn phí hoặc phương pháp dựa trên ngoại hình có thể thực hiện phân loại bất kể cấu trúc cơ thể

Nó có hiệu suất cao hơn Chủ yếu sử dụng thông tin hình bóng của cơ thể con người

Ở đây, chúng tôi đã sử dụng phương pháp mô hình miễn phí để nhận dạng dáng đi Chúng tôi đã đề xuất nhận dạng dáng đi của con người cho các góc nhìn khác nhau (45, 90 độ) bằng cách sử dụng Phân tích thành phần chính (PCA) và K gần nhất hàng xóm (KNN)

II Các bước áp dụng

1 Thiết kế hệ thống

Kiến trúc này bao gồm năm mô-đun khác nhau như sau:

- Đầu vào của người dùng

- Trích xuất đặc điểm

- Tập dữ liệu được đào tạo

- Bộ phân loại

- Mô-đun quyết định

1.1 Mô-dun đầu vào của người dùng

Mô-đun nhập liệu của người dùng chứa hình ảnh dáng đi Hình ảnh dáng đi như Hình ảnh Năng lượng Gait (GEI) Hình ảnh Năng lượng Gait (GEI) là tổng số hình ảnh của bóng đi bộ chia cho số lượng hình ảnh GEI là cách rất hiệu quả và hiệu quả để biểu diễn dáng đi Nó có ưu điểm chính là tiết kiệm dung lượng không gian

và nó ít nhạy cảm hơn với tiếng ồn Khi một người bước vào trước máy ảnh tại thời điểm đó máy ảnh chụp con người hình ảnh phong cách đi bộ Sử dụng những hình ảnh này, chúng ta có thể nhận được GEI hình ảnh về dáng đi của con người Chúng tôi đã sử dụng những hình ảnh GEI này làm đầu vào của hệ thống Phương trình sau đây trình bày các xử lý trước hình ảnh bóng dáng đi nhị phân Bt (x, y) tại thời điểm

t trong một chuỗi

GEI được tính bằng :

Trong đó N là số khung hình trong (các) chu kỳ dáng đi hoàn chỉnh của một chuổi hình bóng, x và y là tọa độ pixel tương ứng trongkhung ảnh Bt của chuỗi dáng đi,

t là số khung

1.2 Mô-đun trích xuất đặc điểm

PCA được sử dụng để trích xuất đặc điểm dáng đi.PCA là một kỹ thuật tuyến tính và được sử dụng để trích xuất và nhận dạng đặc điểm.PCA được sử dụng để giảm kích thước Giảm thứ nguyên là quá trình giảm số lượng các biến ngẫu nhiên đang được xem xét thông qua việc thu được một tập hợp các biến chính Nó có thể được chia thành lựa chọn tính năng và trích xuất tính năng Nó tạo ra mã hóa chiều thấp nhỏ gọn của một tập dữ liệu chiều cao nhất định.PCA tính toán các giá trị eigen và eigen của hình ảnh Các đặc điểm như chiều cao và trọng lượng của hình bóng được tập trung trong suốt quá trình trích xuất đối tượng địa lý trong PCA

1.3 Tập dữ liệu được đào tạo

Cơ sở dữ liệu được đào tạo có chứa hình ảnh dáng đi Chúng ta có đã sử dụng tập dữ liệu CASIA-A, chứa hình bóng nhị phân vì vậy bước tiền xử lý được tránh Ngoài ra, chúng tôi tạo tập dữ liệu của riêng mình để thử nghiệm sử dụng máy ảnh canon S25 Nó có 13 tính năng camera megapixel và cảm biến Chúng tôi đã chụp các hình ảnh 45 và 90 độ xem máy ảnh này Chúng tôi đã sử dụng phần mềm gimp2 để tạo hình bóng hình ảnh

1.4 Mô-đun phân loại

Mô-đun phân loại chứa K bộ phân loại láng giềng gần nhất Nó là được sử dụng để so sánh sự giống nhau giữa các mẫu đã cho

1.5 Mô-đun quyết định

Mô-đun quyết định đưa ra quyết định, hình ảnh đã cho là hợp lệ hoặc không hợp lệ Nếu hợp lệ, hãy hiển thị id người

2 Trích xuất đối tượng sử dụng PCA

Phân tích thành phần chính là một kỹ thuật tuyến tính và được sử dụng để trích xuất đối tượng và để nhận dạng.PCA thực hiện một ánh xạ tuyến tính của không gian chiều cao sang không gian chiều thấp theo cách trước tiên nó tập trung

dữ liệu bằng cách trừ giá trị trung bình Đó là một cách xác định các mẫu trong dữ liệu và thể hiện dữ liệu theo cách làm nổi bật những điểm tương đồng và khác biệt của chúng Vì có thể khó tìm thấy các mẫu trong dữ liệu trong dữ liệu có kích thước cao, nơi không có sự sang trọng của biểu diễn đồ họa, PCA là một công cụ mạnh

mẽ để phân tích dữ liệu Ưu điểm chính khác của PCA là khi bạn đã tìm thấy các mẫu này trong dữ liệu và bạn nén dữ liệu, tức là bằng cách giảm số lượng thứ nguyên mà không làm mất nhiều thông tin Kỹ thuật này được sử dụng trong nén hình ảnh

3 Phương pháp và vật liệu

Nhận dạng dáng đi:

Dáng đi là một lĩnh vực sinh trắc học mới để xác định người Dáng đi không

có gì khác ngoài một cách hoặc cách di chuyển cụ thể trên bàn chân Bộ dữ liệu nhận dạng dáng đi hầu hết cung cấp hình ảnh năng lượng dáng đi Đó là các bóng trung bình dọc theo chiều thời gian Ví dụ: một số GEI của một đối tượng trong tập

dữ liệu dáng đi của CASIA được hiển thị trong hình

Đối với thử nghiệm của chúng tôi, chúng tôi đã sử dụng tập dữ liệu

CASIA-A và tập dữ liệu do chúng tôi tạo ra Bộ thư viện chứa N = 21 chủ đề Tập gồm m

ảnh có kích thước N * N được biểu diễn bằng vectơ có kích thước N2

Γ1,Γ2,Γ3,…,ΓM

Ma trận hiệp phương sai được xây dựng như sau:

C = AAT, trong đó A = [Φ1,…, ΦM] có kích thước N 2 * N 2.

Ma trận hiệp phương sai tổng quát hóa khái niệm hiệp phương sai cho nhiều chiều

Ví dụ về GEI của hai đối tượng (s1-s2) trong tập dữ liệu dáng đi CASIA-A Cột(a): GEI 45 độ Cột (b): GEI 90 độ

a) b)

Tìm các đặc trưng của N 2 x N 2 ma trận là rất khó Do đó, sử dụng ma trận

ATA có kích thước M x M và tìm các ký tự riêng của ma trận nhỏ này theo công

thức sau (sử dụng phương trình (1))

Nếu v là một vectơ khác không và λ là một số sao cho

Av = λv, …… …… (1)

Thì v được cho là một ký tự riêng của A với giá trị riêng λ

 Cuối cùng chúng ta nhận được các giá trị eigen được sắp xếp của ma

trận hiệp phương sai của vector eigen

K - Láng giềng gần nhất :

Ý tưởng đằng sau thuật toán k-Láng giềng gần nhất là xây dựng một phương pháp phân loại không sử dụng giả thiết nào về dạng của hàm, y = f (x1, x2, xp) liên quan đến phụ thuộc (hoặc đáp ứng) biến, y, cho các biến độc lập (hoặc dự đoán) x1, x2, xp Giả định duy nhất mà chúng tôi đưa ra

là nó là một hàm trơn tru Đây là một phương pháp phi tham số vì nó không liên quan đến việc ước lượng các tham số ở dạng hàm giả định như dạng tuyến tính mà chúng ta gặp trong hồi quy tuyến tính

KNN đang tính k hàng xóm xung quanh mẫu chưa biết, và phân loại mẫu không xác định thành danh mục thuộc về hàng xóm đa số Xem xét vấn

đề của phân loại N thực thể thành M lớp, có thể là công thức là:

n = {WI 'W 2 "'" W M}, trong đó Wi biểu thị hạng thứ i

Thông tin có sẵn được giả định là chứa trong tập dữ liệu huấn luyện

T = {(XI, CI), , (XN, CN)} của N mẫuX; (i = 1,2, , N) và nhãn lớp

ci (i = 1,2, , n) nhận các giá trị trong n Quy tắc K-láng giềng gần nhất (KNN) được biết đến nhiều trong tài liệu nhận dạng mẫu Theo quy tắc này,

một mẫu X chưa được phân loại được gán cho lớp được đại diện bởi đa số K

láng giềng gần nhất của nó trong T Quy tắc này thường được gọi là "quy tắc

KNN bỏ phiếu" KNN phổ biến trong cộng đồng nhận dạng mẫu chủ yếu do

hiệu suất tốt và tính năng sử dụng đơn giản của nó

Thuật toán KNN đơn giản:

- Xác định tham số k = no của lân cận gần nhất

- Tính toán khoảng cách giữa phiên bản truy vấn và tất cả các mẫu đào tạo

- Sắp xếp khoảng cách và xác định hàng xóm gần nhất dựa trên khoảng cách nhỏ thứ k

- Thu thập danh mục Y của người hàng xóm gần nhất

- Sử dụng phần lớn danh mục đơn giản của hàng xóm gần nhất làm giá trị dự đoán của trường hợp truy vấn.

III Các ứng dụng của bài toán này

- Gait Scan: Gait Scan là một nơi áp suất được máy tính hóa mà nó được gắn vào máy tính Công nghệ này hỗ trợ chúng tôi phân tích dáng đi của bạn và phát hiện chức năng bàn chân bất thường có thể ảnh hưởng đến phần còn lại của cơ thể bạn Sản phẩm này được phát triển bởi Dr.Ken Fujinaka (Nhật Bản)

- Gaitometer: Máy đo Gaitometer là một Ứng dụng cảm ứng iPhone hoặc iPod đã được cấp bằng sáng chế, được sử dụng để đo sự bất đối xứng trong dáng đi của bạn và cung cấp cho bạn phản hồi về dáng đi của bạn Bằng cách đó, bạn có thể cải thiện khả năng đi bộ của mình

- RunwayScan: RunwayScan là một thành phần của Neurode genScan Suite của chúng tôi Hệ thống RunwayScan đáp ứng nhu cầu phân tích dáng đi của động vật Phân tích kiểu dáng cho phép phát hiện và đánh giá độ nhạy cao, không xâm lấn và đánh giá nhiều tình trạng bệnh lý sinh lý, chẳng hạn như những bệnh xảy

ra ở tổn thương tủy sống, bệnh Parkinson, bệnh Alzheimer, ALS, viêm khớp, đau, bệnh thần kinh cơ và cơ xương

- Tekscan: Tekscan cung cấp hai giải pháp đặc biệt để thực hiện các phân tích

dáng đi có ý nghĩa: Lối đi dựa trên nền tảng và hệ thống dựa trên giày Cả hai hệ thống đều cung cấp dữ liệu khách quan, có thể định lượng từ tiếp xúc gót chân đến ngón chân trong khi có đầy đủ thông tin chi tiết độc đáo từ các hệ thống này giúp bạn xác định sự bất đối xứng và bất thường mà nếu không có thể bị phát hiện

Đây là một hệ thống phân tích dáng đi cung cấp duy nhất dữ liệu thời gian không gian từ nhiều bước chân liên tiếp trong chu kỳ dáng đi Hệ thống Lối đi có sẵn với nhiều độ phân giải cảm biến và nhiều độ dài tiêu chuẩn chắc chắn đáp ứng nhu cầu của bạn

IV Kết quả thử nghiệm và phân tích

a) b)

Sau khi tính toán sự khác biệt giống nhau giữa mẫu thử nghiệm và dữ liệu huấn luyện, KNN sau đó được áp dụng để phân loại Hình trên cho thấy điểm số tích lũy của 20 người, trong đó Hình a hiển thị kết quả nhận dạng bằng PCA cộng với KNN và hình b hiển thị kết quả nhận dạng bằng PCA

Chúng ta có thể rút ra các kết luận sau:

- Hiệu suất nhận dạng bằng PCA cộng với KNN tốt hơn so với sử dụng PCA PCA cộng với KNN có thể nắm bắt tốt hơn các đặc điểm không gian của chuyển động dáng đi so với PCA, và nó được mong đợi sẽ có được độ chính xác nhận dạng tốt hơn

- Độ chính xác nhận dạng của PCA cộng với KNN luôn trên 95% trong mọi điều kiện góc nhìn Nhưng độ chính xác nhận dạng của PCA là 90%