Nhận dạng hình học bàn tay

Các ứng dụng khác của hệ thống hình học tay bao gồm: • Thế vận hội Olympic 1996 nơi quyền truy cập vào và từ Làng Olympic được kiểm soát • Cơ quan lập pháp Colombia nơi người đọc tay đượ

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG CƠ SỞ TẠI TP.HCM

MÔN HỌC: XỬ LÝ ẢNH

ĐỀ TÀI: NHẬN DẠNG HÌNH HỌC BÀN TAY

Giảng viên hướng dẫn : Lê Hoàng Thái

5.1 Lịch sử phát triển

Vào giữa những năm 1960, Robert Miller của New Jersey đang nghiên cứu báo cáo mua sắm quần áo quân đội, nơi ông nhận thấy kích thước bàn tay rất đa dạng đến nỗi chúng có thể được sử dụng để xác định người Điều này đã khiến nhà phát minh cuồng nhiệt này phát triển thiết bị nhận dạng Hình học tay tự động đầu tiên (Hình 5.1) Chức năng nhận dạng thiết bị này thực hiện bằng phương tiện cơ học thuần túy

Hình 5.1: Bản vẽ bằng sáng chế của Đầu đọc tay cơ học

Trong phiên bản thương mại của thiết bị này, Identimat (Hình 5.2), các thanh đơn giản đã được thay thế bằng một cơ chế quét photocell bên dưới các rãnh mà các ngón tay được đặt Một chiếc đèn trên cao 1.000 watt cung cấp nguồn chiếu sáng Được gắn vào cùng một cơ chế quét là một đầu đọc sọc từ tính, do đó khi bàn tay được quét, thẻ sọc từ của người dùng cũng vậy Nếu các xung đọc từ thẻ khớp với thời gian các tín hiệu từ photocells quét, trong một ngưỡng, danh tính của người dùng đã được xác minh

Năm 1986 Recognition Systems được thành lập để phát triển và tiếp thị độc giả Hand Geometry hiện đại khai thác công nghệ xử lý hình ảnh và hình ảnh kỹ thuật số chi phí thấp sau đó có sẵn (Hình 5.3) Dòng đầu đọc tay ID3D của họ đã sử dụng cảm biến hình ảnh kỹ thuật số trạng thái rắn để chụp ảnh 3 chiều của bàn tay Hệ thống quang học của đầu đọc tay được tối ưu hóa để chụp một hình ảnh nhị phân đơn giản của bàn tay, giống như một bóng đổ Hình ảnh nhị phân này cung cấp thông tin chi tiết hình dạng bàn tay, nhưng không bị ảnh hưởng bởi các đặc điểm bề mặt như màu da, bụi bẩn và ánh sáng xung quanh

Identimat: đầu đọc tay thương mại đầu tiên Đầu đọc tay hiện đại

ID3D là một cuộc cách mạng theo một số cách vượt ra ngoài những tiến bộ công nghệ mà nó mang lại cho Hand Geometry Trong khi phần còn lại của ngành sinh trắc học tại thời điểm đó tập trung vào mức độ bảo mật cao nhất có thể, ID3D được thiết kế để đảm bảo tỷ lệ loại bỏ sai thấp trong các ứng dụng trong thế giới thực Độ tin cậy này làm cho nó trở thành sản phẩm sinh trắc học đầu tiên phù hợp với các thị trường lớn như thời gian và sự tham dự của nhân viên làm cho nó hiệu quả về chi phí và hiệu suất thân thiện với người dùng của nó làm cho nó thực tế Đồng thời, an ninh không bị xâm phạm như được chứng minh bằng việc sử dụng rộng rãi thiết bị này trong các ứng dụng an ninh cao như phòng thí nghiệm vũ khí hạt nhân quốc gia và các nhà máy điện hạt nhân Mọi nhà máy điện hạt nhân đang vận hành ở Hoa Kỳ đều đã lắp đặt Hand Geometry để kiểm soát truy cập

Năm 1992, Biomet Partners được thành lập để phát triển phiên bản hai ngón tay của đầu đọc tay Digi-2 được giới thiệu trên thị trường vào năm 1995 và được sử dụng trên toàn thế giới Thiết bị này sử dụng camera CCD để có được hình ảnh kỹ thuật số của các ngón tay Hình ảnh được lấy từ 2 quan điểm để các thuộc tính 3 chiều của ngón tay được chụp Bộ vi xử lý được sử dụng để trích xuất các tính năng phân biệt danh tính từ hình ảnh và so sánh chúng với các tính năng thu được trong quá trình đăng ký Mẫu đăng

ký dài 20 byte Thiết bị đầu cuối kiểm soát truy cập VeryFast được hiển thị trong Hình 5.4 dựa trên máy ảnh Digi-2

5.2 Ứng dụng thú vị

Ứng dụng sinh trắc học chung lâu đời nhất đang diễn ra thuộc về Đại học Georgia, vào năm 1973, đã lắp đặt Identimat từ Identimation để hạn chế vào phòng ăn ăn tất cả những gì bạn có thể ăn Hệ thống này vẫn đang hoạt động hàng ngày đã được nâng cấp nhiều lần khi công nghệ Hand Geometry tiên tiến

Một số lượng đáng kể máy quét Identimat cũng đã được lắp đặt tại Phòng thí nghiệm Vũ khí Hạt nhân Sông Savannah, chứng thực mức độ hiệu suất cao ngay cả ở giai đoạn đầu phát triển công nghệ Chúng sau đó đã được thay thế bằng các mô hình ban đầu của ID3D, báo hiệu sự chuyển đổi thương mại từ máy quét tay cơ điện sớm sang tất cả các thiết bị kỹ thuật số hiện đại

Các ứng dụng khác của hệ thống hình học tay bao gồm:

• Thế vận hội Olympic 1996 nơi quyền truy cập vào và từ Làng Olympic được kiểm soát

• Cơ quan lập pháp Colombia nơi người đọc tay được sử dụng để đảm bảo bỏ phiếu

• Sân bay Quốc tế San Francisco

• Trung tâm chăm sóc ban ngày trẻ em sử dụng hệ thống hình học tay để xác minh danh tính của cha mẹ Các trường tiểu học Lotus Development và New Mexico là những ví dụ

về điều này

• Chương trình thí điểm INSPASS sử dụng các hệ thống hình học tay để theo dõi các cửa khẩu biên giới cho khách du lịch thường xuyên

• Đại học Georgia đã sử dụng hệ thống hình học tay từ năm 1973 cho các chương trình bữa ăn của sinh viên

• Tất cả các nhà máy điện hạt nhân của Hoa Kỳ hoạt động

5.3 Công nghệ

Khi người dùng trình bày mẫu sinh trắc học, các hệ thống hình học tay làm theo các bước cơ bản tương tự như các thiết bị sinh trắc học khác: chụp mẫu, xử lý mẫu thô thành mẫu sinh trắc học và so sánh mẫu quan sát được với mẫu tham chiếu trong cơ sở dữ liệu đăng ký Hầu hết các hệ thống hình học tay cũng kết hợp bước tùy chọn cập nhật mẫu tham chiếu trong cơ sở dữ liệu đăng ký sau khi xác minh thành công Các quy trình này được minh họa trong Hình 5.5

Hình 5.5: Xử lý các bước trong hệ thống sinh trắc học bằng hình học tay

5.3.1 Chụp tay

Chụp mẫu sinh trắc học thường đạt được bằng máy ảnh quang học tiêu chuẩn hoặc máy quét giường phẳng Một số đơn vị chỉ dựa vào ánh sáng xung quanh, nhưng hầu hết cung cấp ánh sáng của riêng họ, thường là ở hồng ngoại gần Bởi vì hình học tay dựa trên việc phân tích các đường viền của bàn tay, các hệ thống này nhị phân hóa hình ảnh thang

độ xám đã chụp thành hình bóng đen trắng (Hình 5,6) Do đó, các hệ thống hình học tay không nhạy cảm với những thay đổi trong các đặc điểm bề mặt như hình xăm, tóc, vết cắt, vết trầy xước, bỏng, bụi bẩn hoặc các chất gây ô nhiễm khác có thể ảnh hưởng đến các phương thức sinh trắc học khác

Hình 5.6: Khắc họa tay đúc bóng

Kích thước tổng thể của một bộ hình học cầm tay máy ảnh quang học có thể được giảm thiểu bằng cách "gập" đường quang học Điều này được thực hiện bằng cách thêm một gương thứ hai vào hệ thống, ngay phía trên bàn tay, như trong Hình 5.7 Cùng một

hệ thống làm tăng độ tương phản trong ảnh bằng cách đặt một bề mặt phản xạ cao dưới tay, giảm quá trình nhị phân thành một thao tác ngưỡng đơn giản Để đảm bảo rằng tầm nhìn trực giao trên bàn tay có độ tương phản cao như nhau, một vật liệu phản chiếu tương

tự cũng được đặt trên bức tường bên của khu vực chụp

Hình 5.7: Gấp đường quang học

5.3.2 Xử lý

Một số đơn vị hình học tay dựa vào hướng dẫn định vị ngón tay để hỗ trợ vị trí có thể lặp lại của bàn tay Đối với các hệ thống này, cần có bước xử lý trước để loại bỏ các chân định vị khỏi hình ảnh Mặc dù điều này làm tăng xử lý ở cấp độ hình ảnh, nó có thể làm giảm công suất tính toán tổng thể cần thiết cho thuật toán, vì thuật toán không còn cần thiết để tính đến xoay tay hoặc biến dạng bàn tay do vị trí tay khác nhau Như sẽ được thảo luận trong một phần sau đây, một số lượng đáng kể các nhà nghiên cứu đang điều tra các hệ thống hình học tay không ghim, vì chúng được coi là thân thiện với người dùng hơn các hệ thống có chân Những người khác cảm thấy rằng phản hồi xúc giác được cung cấp bởi các chân là một tính năng tích cực giúp tăng cường tính dễ sử dụng cũng như hiệu suất

Xử lý ảnh chụp khác nhau rất nhiều đối với các loại hệ thống hình học tay khác nhau Các hệ thống thương mại và hầu hết các hệ thống học thuật bắt đầu bằng cách đo các đặc điểm hình học trong hình ảnh bàn tay nhị phân Các phép đo thường bao gồm

chiều dài ngón tay, chiều rộng, diện tích bề mặt, góc giữa các mốc và tỷ lệ của các đại lượng đó Xem Hình 5.8 Nghiên cứu cũng bao gồm các hệ thống hoạt động trực tiếp trên đường viền tay, sử dụng các điểm trên hình bóng làm mốc hoặc đưa toàn bộ đường viền vào động cơ so sánh Do đó, có hai lớp riêng biệt của bộ tính năng hình học tay dựa trên hình ảnh bàn tay nhị phân

Các tính năng hình học có nguồn gốc thường cho thấy rất nhiều mối tương quan với nhau, làm cho việc phân loại trở nên khó khăn Các phương pháp như Phân tích thành phần chính thường được sử dụng để chuyển đổi các tính năng thô thành một bộ tính năng không tương quan, do đó đơn giản hóa việc phân loại

5.3.3 Phân loại

Bước phân loại định lượng mức độ tương đồng giữa hai mẫu tay Phương pháp phân loại được kết hợp với các phương pháp trích xuất tính năng và chuyển đổi tính năng được sử dụng trong bước xử lý Cách tiếp cận phổ biến nhất là sử dụng các số liệu

khoảng cách Euclide như trong, nhưng nhiều cách tiếp cận khác đã được ghi nhận

Những bao gồm các phương pháp tương quan, phân tích thành phần chính, và tính toán lỗi căn chỉnh trung bình của các điểm tương ứng dọc theo đường viền tay Tham khảo thực hiện một số phương pháp phân loại / so sánh, bao gồm các mô hình hỗn hợp

Gaussian

5.3.4 Chuyển thể mẫu

Bước tùy chọn của Template Adaptation cải thiện hiệu suất sinh trắc học của các

hệ thống hình học tay bằng cách thích ứng với những thay đổi trong sinh lý của người dùng theo thời gian Những thay đổi như vậy có thể bắt nguồn, ví dụ, từ tăng cân, giảm cân, sưng bàn tay hoặc khởi phát các bệnh thoái hóa như viêm khớp Tỉ lệ thời gian của các quy trình này thường chậm, theo thứ tự tuần hoặc tháng Thích ứng mẫu không thể đáp ứng những thay đổi cực đoan trong hình học tay xảy ra nhanh chóng, chẳng hạn như mất một chữ số trong một tai nạn

5.4 Hiệu suất

Hiệu suất được báo cáo của các hệ thống hình học tay thay đổi rộng rãi, làm cho việc phân loại Hình học tay là một phương thức khá khó khăn Ngay cả việc xếp hạng hiệu quả của từng thuật toán trong phương thức cũng khó khăn, bởi vì mỗi kết quả được báo cáo dựa trên một tập dữ liệu khác nhau Một số yếu tố ảnh hưởng đến tỷ lệ lỗi của thuật toán khi được tính toán bằng một tập dữ liệu cụ thể bao gồm:

• Thiết bị chụp: mỗi nhà nghiên cứu sử dụng một loại máy ảnh hoặc máy quét phẳng khác nhau, dẫn đến độ phân giải hình ảnh, độ tương phản và thị sai khác n hau (gây ra bởi khoảng cách giữa máy ảnh với tay)

hoặc vị trí tay đến mức độ không chắc chắn trong các phép đo nằm trên cùng thứ

tự cường độ như kết quả được báo cáo

• Nhân khẩu học: hầu hết các bộ dữ liệu đều dựa trên sinh viên đại học (vì hầu hết các nghiên cứu được thực hiện tại các trường đại học và đại học) phân khúc nhân khẩu học như nhân viên văn phòng, công nhân xây dựng, trẻ em, người già hoặc các nhóm dân tộc cụ thể Mỗi nhóm nhân khẩu học có thể có các đặc điểm sinh lý hoặc hành vi khác nhau hỗ trợ hoặc cản trở việc đặt tay

• Hình ảnh chất lượng thấp: không có báo cáo công khai nào giải quyết các vị trí cầm tay chất lượng thấp Ví dụ, những người bị viêm khớp (hoặc các tình trạng tương tự) có thể không thể đặt tay phẳng trên đĩa hoặc có thể có vị trí đặt tay không lặp lại Bàn tay bị thiếu hoặc ngón tay bị thiếu có thể gây nhầm lẫn cho các thuật toán tìm kiếm ngón tay "bình thường" Những chiếc nhẫn với viên đá quay sang một bên có thể nối các ngón tay liền kề, thay đổi chiều dài rõ ràng của chúng Băng đôi khi thay đổi kích thước / hình dạng rõ ràng của ngón tay, tạo ra các biến dạng cục bộ phải được chứa

• Thói quen: người dùng tương tác với hệ thống sinh trắc học có thể điều chỉnh hành vi của họ theo thời gian, giảm tỷ lệ lỗi đo được

• Xét nghiệm trong phòng thí nghiệm so với thử nghiệm vận hành: hầu hết các bộ

dữ liệu được ghi lại trong môi trường phòng thí nghiệm, nhưng một số được thu thập trong môi trường hoạt động có thể ở trong nhà hoặc ngoài trời và có thể bao gồm hỗn hợp người dùng được đào tạo và không được đào tạo

• Hạn chế tay : hạn chế bàn tay (tức là thông qua các chân căn chỉnh ngón tay) làm giảm sự thay đổi được trình bày , do đó trình bày một vấn đề dễ giải quyết hơn

• Số liệu: Ví dụ: một số kết quả được công bố không cho biết chúng được tính toán

là cố gắng 1 lần hay 3 lần thử

• Tỉ lệ thời gian : vì bàn tay có thể thay đổi theo thời gian, nên việc so sánh hình ảnh đăng ký và xác minh được thu thập cách nhau nhiều tháng so với so sánh hình ảnh được chụp trong cùng một phiên (cách nhau vài giây) là một vấn đề khó khăn hơn nhiều

5.5 Phát triển trong tương lai

Nghiên cứu hiện tại về hình học tay dường như tập trung vào hai lĩnh vực:

• Giảm tỷ lệ khớp sai

• Loại bỏ nhu cầu hướng dẫn đặt tay trên tấm

Vào cuối năm 2006, Recognition Systems đã công bố một sản phẩm hình học tay mới dựa trên mẫu 20 byte lớn hơn, giúp tăng hiệu suất so với mẫu 9 byte được sử dụng trong các mô hình trước đó của công ty đó Công ty cũng tuyên bố rằng việc sử dụng quang học có độ phân giải cao hơn dẫn đến tỷ lệ khớp sai thấp hơn trong sản phẩm mới

Không rõ giới hạn hiệu suất nằm ở đâu đối với hình học tay Dòng thời gian nghiên cứu được hiển thị trong Bảng 5.1 chỉ ra rằng các thuật toán đang trích xuất ngày càng nhiều hiệu suất từ bóng tay; điều này ngụ ý rằng hiệu suất không bị giới hạn bởi nội dung sinh trắc học của bàn tay, mà là bởi các thuật toán trích xuất nội dung đó

Kết hợp hai lớp chính của thuật toán hình học tay, dựa trên đường viền hoặc trên các tính năng hình học, có thể dẫn đến các thuật toán hiệu suất cao hơn so với các thuật toán được công bố trong tài liệu Ngoài ra, các thuật toán được phát triển cho vị trí bàn tay không bị hạn chế có thể cung cấp hiệu suất cao hơn khi kết hợp với các bài thuyết trình tay lặp lại nhiều hơn của một hệ thống hạn chế (một thuật toán sử dụng một tấm với chân định vị ngón tay)

Ngoài các thuật toán hình học tay tiến hóa, tương lai giữ lời hứa nhận dạng tay tốt hơn bằng cách kết hợp hình học tay vào các hệ thống đa sinh trắc học Một số nhà nghiên cứu đã cải thiện hiệu suất của các phương pháp chỉ hình học bằng cách thêm dữ liệu kết cấu từ dấu tay được lấy từ cùng một hình ảnh (trước khi nhị phân hóa) tạo ra hình bóng bàn tay Hình học bàn tay cũng đã được kết hợp với nhận dạng khuôn mặt trong một dự

án vượt biên dọc biên giới Israel - Palestine Các triển khai đa sinh học khác bao gồm hình học bàn tay có thể được tưởng tượng, bao gồm bàn tay / ngón tay và bàn tay / tĩnh mạch