Môi trường điều hành chuẩn hay phi chuẩn: Môi trường điều hành làchuẩn nếu hệ thống được hoạt động trong môi trường được điềukhiển các yếu tố nhiệt độ, độ pm… Là ứng dụng công cộ
Giới thiệu về nhận dạng vân tay
Các hệ thống xác thực
Hệ thống sinh trắc cơ bản là công nghệ nhận dạng cá nhân thông qua việc xác thực các đặc tính sinh học hoặc hành vi của người dùng Trong quá trình thiết kế, việc xác định phương pháp nhận dạng là rất quan trọng Hệ thống sinh trắc có thể được phân loại thành hệ thống kiểm tra hoặc hệ thống nhận dạng.
Hệ thống kiểm tra: là hệ thống xác thực một người bằng cách so
13 sánh đặc tính sinh trắc của người này với muu sinh trắc của chính người đó đã được lưu trữ trước trong hệ thống
Hệ thống nhận dạng là công nghệ xác thực cá nhân thông qua việc tìm kiếm và so sánh các đặc tính sinh trắc học của người dùng với những dữ liệu sinh trắc đã được lưu trữ trong cơ sở dữ liệu.
Ngoài ra một hệ thống sinh trắc có thể được phân loại theo một số đặc tính của ứng dụng:
Hành vi của kẻ giả mạo có thể được phân loại thành hai loại: phối hợp và không phối hợp Trong trường hợp phối hợp, như trong ngân hàng điện tử, kẻ mạo danh cần phải đăng nhập vào hệ thống để truy cập tài khoản Ngược lại, trong hệ thống không phối hợp, chẳng hạn như kiểm tra hộ chiếu tại sân bay, những kẻ khủng bố có thể bị phát hiện khi sử dụng hộ chiếu giả.
Hệ thống xác thực được phân loại thành hai loại: công khai và bí mật Hệ thống được coi là công khai khi người sử dụng nhận thức được rằng họ đang bị xác thực, trong khi đó, nếu người sử dụng không biết về quá trình xác thực, hệ thống sẽ được xem là bí mật.
Mức độ sử dụng hệ thống sinh trắc có thể được chia thành hai loại: thường xuyên và không thường xuyên Hệ thống sinh trắc thường xuyên, như ứng dụng đăng nhập máy tính, được sử dụng đều đặn, trong khi hệ thống không thường xuyên, như ứng dụng làm bằng lái xe, chỉ được sử dụng khi cần làm mới sau vài năm.
Dữ liệu sinh trắc có thể được thu thập thông qua hai phương thức: thực hiện bởi con người hoặc tự động Khi được thực hiện bởi con người, quá trình này sẽ diễn ra dưới sự hướng dẫn và quản lý của một cá nhân.
Môi trường điều hành được coi là chuẩn khi hệ thống hoạt động trong một môi trường được kiểm soát, bao gồm các yếu tố như nhiệt độ và độ ô nhiễm không khí.
Ứng dụng có thể được phân loại thành ứng dụng công cộng hoặc ứng dụng kín Nếu là ứng dụng kín, người sử dụng hệ thống sinh trắc sẽ là khách hàng hoặc nhân viên của tổ chức triển khai hệ thống.
Ứng dụng sinh trắc có hai loại chính: ứng dụng mở và ứng dụng đóng Ứng dụng mở cho phép chia sẻ các mẫu sinh trắc của một người với nhiều ứng dụng khác, trong khi ứng dụng đóng yêu cầu sử dụng các mẫu sinh trắc riêng biệt và thích hợp cho từng ứng dụng cụ thể.
So sánh các đặc trưng sinh trắc
Một đặc tính sinh học hoặc hành vi của con người có thể được sử dụng làm đặc trưng sinh trắc trong nhận dạng cá nhân nếu nó đáp ứng các yêu cầu nhất định.
Tính phổ biến: mọi người đều có đặc trưng sinh trắc này
Tính phân biệt: hai người khác nhau thì đặc trưng sinh trắc này phải khác nhau
Tính ổn định: đặc trưng sinh trắc này không thay đổi theo từng giai đoạn thời gian (tương ứng với hạng mục đối sánh nhất định )
Tính thu thập: nghĩa là đặc trưng này có thể đo được và lượng hóa
Hiệu năng của hệ thống nhận dạng phụ thuộc vào khả năng nhận diện chính xác và tốc độ xử lý các tài nguyên cần thiết Các yếu tố môi trường và hoạt động có ảnh hưởng lớn đến tốc độ và độ chính xác trong quá trình nhận dạng.
Tính chấp nhận: mọi người vui lòng chấp nhận các đặc trưng sinh trắc trong đời sống hàng ngày của họ
Khả năng phá hoại: là mức độ khó hay dễ để đánh lừa hệ thống bởi các phương pháp lừa dối
Sau đây là một số đặc trưng sinh trắc thông dụng: DNA, tai, mặt, dáng đi, đồ hình bàn tay và ngón tay, mống mắt…
Hình 1.2: Một số đặc trưng sinh trắc: a)gương mặt, b)vân tay, c) ồ hình bàn tay d)Mống mắt, f)võng mạc , g)chữ kí, h)tiếng nói
Các loại lỗi của hệ thống sinh trắc
Trong hệ thống nhận dạng vân tay, điểm đối sánh s (giả sử nằm trong khoảng [0,1]) được sử dụng để đo lường độ tương tự giữa vân tay đầu vào và mẫu trong cơ sở dữ liệu Điểm đối sánh càng gần 1 cho thấy khả năng hai vân tay thuộc về cùng một ngón tay càng cao, trong khi điểm càng gần 0 cho thấy khả năng chúng thuộc về hai ngón tay khác nhau càng lớn.
Quyết định của hệ thống được điều khiển bởi ngưỡng t Với điểm s của hai vân tay:
Nếu s≥t : kết luận là cặp so khớp ( nghĩa là hai vân tay của cùng một ngón tay)
Nếu s≤t : kết luận là cặp không so khớp ( nghĩa là hai vân tay đến từ hai ngón tay khác nhau)
Một hệ thống kiểm tra chấp nhận hai lỗi sau đây:
Kiểm tra các số đo sinh trắc từ hai ngón tay khác nhau với kết quả là cùng một ngón tay ( ta gọi là so khớp sai )
Kiểm tra các số đo sinh trắc của cùng một ngón tay với kết quả là của hai ngón tay khác nhau ( ta gọi là không so khớp sai )
Hai lỗi này được gọi là chấp nhận sai và từ chối sai Kẻ giả mạo có thể được chấp nhận khi sử dụng thiết bị hoặc hệ thống nếu có sự so khớp sai, trong khi người có thẩm quyền lại bị từ chối nếu xảy ra sự không so khớp sai Chúng ta có thể lượng hóa hai lỗi này thông qua các đại lượng: tỉ lệ chấp nhận sai và tỉ lệ từ chối sai.
1.5 Các lỗi của hệ thống nhận dạng:
Từ định nghĩa các loại lỗi trong một hệ thống kiểm tra, chúng ta mở rộng định nghĩa các loại lỗi trong một hệ thống nhận dạng.
Trong một hệ thống nhận dạng không sử dụng cơ chế đánh chỉ số truy tìm, việc tìm kiếm sẽ diễn ra vét cạn trên toàn bộ tập dữ liệu với N mẫu vân tay, trong đó mỗi người chỉ có một mẫu vân tay được lưu trữ Tỉ lệ không đối sánh sai (FNMR N) và tỉ lệ đối sánh sai (FMR N) sẽ được xác định trong bối cảnh này.
Trong biểu thức FMR N = 1 – (1 - FMR) N, (1 - FMR) đại diện cho xác suất không xảy ra đối sánh sai với một mẫu vân tay, trong khi (1 - FMR) N là xác suất không xảy ra đối sánh sai với toàn bộ cơ sở dữ liệu mẫu Khi FMR nhỏ, ta có thể viết FMR N = N.FMR, cho thấy tỉ lệ đối sánh sai tăng tuyến tính theo kích thước của cơ sở dữ liệu mẫu.
Khi cơ sở dữ liệu mẫu được phân loại và chỉ số hóa, quá trình nhận dạng chỉ kiểm tra một phần của cơ sở dữ liệu.
Tỉ lệ lỗi truy tìm (RER) là xác suất mà mẫu vân tay cần tìm bị bỏ qua trong cơ sở dữ liệu do cơ chế truy tìm Công thức tính FNMR được biểu diễn như sau: FNMR N = RER + (1 – RER) * FNMR.
FMR N = 1 ( 1 – FMR ) N P trong đó P là tỉ lệ phần trăm trung bình các mẫu được tìm kiếm trong cơ sở dữ liệu mẫu trong quá trình nhận
Phân tích và biểu diễn vân tay
Phân tích cấu trúc vân tay
Khi ấn ngón tay lên bề mặt trơn, vân tay được sao chép từ lớp biểu bì da Cấu trúc vân tay bao gồm các vân lồi và vân lõm, trong đó vân lồi có màu tối và vân lõm có màu sáng Độ rộng của vân lồi dao động từ 100 m.
Độ rộng của một cặp vân lỗi lõm cạnh nhau là 500 m, trong khi kích thước của chúng là 300 m Các chấn thương như bỏng nhẹ và mòn da không làm ảnh hưởng đến cấu trúc bên dưới của vân Khi da mọc lại, cấu trúc này sẽ được khôi phục hoàn toàn.
Vân lồi và vân lõm thường chạy song song và có thể rẽ thành hai nhánh hoặc kết thúc Các mẫu vân tay thể hiện các vùng vân khác nhau với hình dạng đặc trưng Những vùng này, gọi là các vùng đơn, được phân loại thành ba dạng: loop (), delta () và whorl () Vùng whorl được mô tả bởi hai vùng loop đối diện nhau.
Các thuật toán đối sánh vân tay căn lề theo điểm nhân, được định nghĩa bởi Henrry (1900) là điểm nằm về phía bắc nhất của đường vân Điểm nhân là trung tâm của vùng loop hoặc là điểm có độ cong lớn nhất nếu không có vùng loop hay whorl Để đơn giản hóa quá trình tìm kiếm, các vùng đơn được sử dụng để phân loại vân tay Ở mức độ cục bộ, các chi tiết quan trọng mô tả cách mà các vân bị đứt quãng, như điểm kết thúc hoặc điểm rẽ hai nhánh Francis Galton (1822-1911) là người đầu tiên phân loại các chi tiết này, khẳng định rằng chúng không thay đổi trong suốt cuộc đời Viện các chuẩn quốc gia Mỹ phân loại chi tiết thành bốn loại: điểm kết thúc, điểm rẽ hai, điểm rẽ ba, và điểm không xác định, trong khi cục điều tra liên bang Mỹ chỉ công nhận hai loại: điểm kết thúc và điểm rẽ hai Mỗi chi tiết được đặc trưng bởi phân lớp, hệ tọa độ xy, góc tạo bởi tiếp tuyến của đường vân và trục ngang.
Trong các ảnh vân tay, điểm kết thúc và điểm rẽ hai có thể hoán đổi vị trí cho nhau, và trong ảnh âm bản, điểm kết thúc xuất hiện như là điểm rẽ hai Ở những ảnh vân tay có độ phân giải cao (trên 1000 dpi), chúng ta có khả năng xác định các lỗ chân lông với kích thước từ 60 µm đến 250 µm Thông tin về lỗ chân lông là rất quan trọng trong việc phân tích vân tay.
Sự khác biệt về lượng, vị trí và hình dạng của các lỗ chân lông là rất lớn, tuy nhiên, việc áp dụng các kỹ thuật đối sánh cho các lỗ chân lông vẫn còn hạn chế Điều này chủ yếu do yêu cầu về hình ảnh có độ phân giải cao và chất lượng tốt để xử lý hiệu quả.
2.2.Biểu diễn hình ảnh vân tay.
Hầu hết các thuật toán phân loại và nhận dạng vân tay yêu cầu giai đoạn trích chọn đặc trưng để xác định các đặc trưng nổi bật.
Hình ảnh vân tay được thể hiện như một bề mặt hai chiều, trong đó kí hiệu I đại diện cho ảnh vân tay cấp xám với cấp xám g Giá trị I[x,y] biểu thị cấp xám của điểm ảnh tại tọa độ [x,y] Kí hiệu z S(x,y) là bề mặt rời rạc tương ứng với ảnh I, được xác định bởi S(x,y) = I[x,y] Bằng cách chọn các điểm ảnh sáng có cấp xám là 0 và các điểm ảnh tối có cấp xám là g-1, các đường vân tối trong I tương ứng với bề mặt vân lồi, trong khi khoảng không gian giữa các vân lồi (màu sáng) tương ứng với bề mặt vân lõm.
Hình 2.1: Bề mặt S của một vùng vân tay.
2.3.Ước lượng hướng vân cục bộ
Một đặc tính quan trọng của vân tay là hướng vân cục bộ tại các vị trí trong ảnh vân tay Hướng vân cục bộ tại điểm [x,y] được xác định bởi góc $\theta_{xy}$, tạo bởi trục ngang và đường thẳng nối qua một số điểm láng giềng của [x,y] Vì các đường vân không được định hướng, góc $\theta_{xy}$ nằm trong khoảng từ 0 đến 180 độ.
Thay vì tính toán hướng vân cục bộ tại mỗi điểm ảnh, nhiều phương pháp trích chọn đặc trưng và xử lý vân tay ước lượng hướng vân cục bộ tại các vị trí rời rạc để giảm gánh nặng tính toán và cho phép thực hiện các ước lượng còn lại nhờ phép nội suy Ảnh hướng vân tay là một ma trận D, trong đó mỗi phần tử mang thông tin về hướng vân cục bộ của các đường vân Mỗi phần tử $\theta_{ij}$ tương ứng với nốt [i,j] trong lưới ô vuông chứa điểm ảnh [x_i, y_j], biểu diễn hướng trung bình của đường vân trong lân cận của [x_i, y_j] Thêm vào đó, giá trị $r_{ij}$ được liên kết với $\theta_{ij}$ để thể hiện tính tin cậy của hướng, với giá trị nhỏ ở các vùng bị nhiễu và hư hại, và lớn ở các vùng có chất lượng tốt.
Hình 2.1 minh họa một ảnh vân tay được tính toán trên lưới 16x16, trong đó mỗi phần tử thể hiện hướng cục bộ của đường vân và chiều dài tương ứng với độ tin cậy Để xác định hướng vân cục bộ, phương pháp đơn giản nhất là tính toán gradient trên ảnh vân tay Gradient tại điểm \([x_i, y_j]\) của ảnh \(I\) là một véc tơ hai chiều \([x(x_i, y_j), y(x_i, y_j)]\), trong đó các thành phần \(x\) và \(y\) là đạo hàm theo \(x\) và \(y\) tại điểm đó Góc pha gradient cho biết hướng thay đổi mật độ điểm ảnh lớn nhất, do đó, hướng \(\theta_{ij}\) tại vùng có tâm tại \([x_i, y_j]\) sẽ trực giao với góc pha gradient tại điểm này.
Ratha, Chen và Jain ( 1995) đã tính hướng vân cục bộ θij bằng cách kết hợp nhiều ước lượng gradient trong một cửa sổ 17x17 có tâm tại [ xi,, yj ]
x , y là các thành phần gradient theo hướng x, và y được tính qua mặt nạ
2.4.Ước lượng tần suất vân cục bộ
Tần suất vân cục bộ (mật độ) f xy tại điểm [x, y] là nghịch đảo của số vân trên một đơn vị chiều dài dọc theo đoạn có tâm tại [x, y] và vuông góc với hướng vân cục bộ θxy Ảnh tần suất F có thể được xác định tương tự như ảnh hướng D, nếu tần suất được ước lượng ở các vị trí rời rạc và sắp xếp vào trong một ma trận.
Tần suất vân cục bộ thay đổi giữa các ngón tay và trong các vùng khác nhau của cùng một vân tay Hong, Wan và Jain (1998) đã ước lượng tần suất này bằng cách tính trung bình số điểm ảnh giữa hai đỉnh liên tiếp của mức xám theo hướng thông thường và hướng vân cục bộ Để thực hiện điều này, bề mặt S tương ứng với vân tay được chia bằng một cặp đường song song với trục z và vuông góc với hướng vân cục bộ Tần suất f xy tại điểm [xi, yj] được tính theo phương pháp này.
Một cửa sổ có kích thước 32 x 16 với tâm tại [xi, yj] được chọn trong hệ tọa độ vân, nhằm căn chỉnh trục y với hướng vân cục bộ Chữ ký x (x-signature) của mức xám được thu thập bằng cách tích lũy các mức xám của các điểm ảnh tương ứng trong cửa sổ hướng cho mỗi cột x Phương pháp này giúp tạo ra mặt nghiêng mức xám mượt mà hơn và ngăn ngừa hiện tượng mờ đỉnh vân do các đứt gãy của vân \(f_{ij}\), mà là nghịch đảo của khoảng cách trung bình giữa hai đỉnh liên tiếp của x-signature.
Phương pháp này rất đơn giản và nhanh chóng, nhưng gặp khó khăn trong việc phát hiện các đỉnh liên tiếp của các mức xám trong không gian ảnh vân tay bị nhiễu Để khắc phục vấn đề này, các tác giả đề xuất sử dụng kỹ thuật nội suy và lọc thông thấp.
Jiang (2000) đã nghiên cứu tần suất vân cục bộ thông qua x-signatures, sử dụng kỹ thuật phổ cao cấp gọi là mix-spectrum thay vì đo khoảng cách trong không gian Các mẫu vân trong hình ảnh vân tay được xem như tín hiệu nhiễu tuần hoàn; khi chúng lệch khỏi hình sin thuần túy, năng lượng của chúng phân bố theo tần số và có tính điều hòa Kỹ thuật mix-spectrum giúp tăng cường tần số cơ bản của tín hiệu bằng cách khai thác thông tin từ phần điều hòa thứ hai và thứ ba.
Ước lượng hướng vân cục bộ
Một đặc tính quan trọng của vân tay là hướng vân cục bộ tại các vị trí trong ảnh vân tay Hướng vân cục bộ tại điểm [x,y] được xác định bởi góc $\theta_{xy}$, tạo bởi trục ngang và đường thẳng nối qua một số điểm láng giềng của [x,y] Vì các đường vân không được định hướng, góc $\theta_{xy}$ nằm trong khoảng từ 0 đến 180 độ.
Thay vì tính toán hướng vân cục bộ tại mỗi điểm ảnh, nhiều phương pháp trích chọn đặc trưng và xử lý vân tay ước lượng hướng vân cục bộ tại các vị trí rời rạc để giảm gánh nặng tính toán và cho phép thực hiện các ước lượng còn lại nhờ phép nội suy Ảnh hướng vân tay là một ma trận D, trong đó mỗi phần tử mang thông tin về hướng vân cục bộ của các đường vân Mỗi phần tử $\theta_{ij}$ tương ứng với nốt [i,j] trong lưới ô vuông chứa điểm ảnh [x_i, y_j], biểu diễn hướng trung bình của đường vân trong lân cận Để thể hiện tính tin cậy của hướng, người ta thêm vào một giá trị $r_{ij}$, với giá trị nhỏ ở các vùng bị nhiễu và hư hại, và lớn ở các vùng có chất lượng tốt.
Hình 2.1 minh họa một ảnh vân tay được tính toán trên lưới 16x16, trong đó mỗi phần tử thể hiện hướng cục bộ của đường vân và chiều dài tương ứng với độ tin cậy Để xác định hướng vân cục bộ, phương pháp đơn giản nhất là tính toán gradient trên ảnh vân tay Gradient tại điểm \([x_i, y_j]\) của ảnh \(I\) là một véc tơ hai chiều \([x(x_i, y_j), y(x_i, y_j)]\), trong đó các thành phần \(x\) và \(y\) là đạo hàm theo \(x\) và \(y\) tại điểm đó Góc pha gradient cho biết hướng thay đổi mật độ điểm ảnh lớn nhất, do đó, hướng \(\theta_{ij}\) tại vùng có tâm tại \([x_i, y_j]\) sẽ trực giao với góc pha gradient tại cùng điểm.
Ratha, Chen và Jain ( 1995) đã tính hướng vân cục bộ θij bằng cách kết hợp nhiều ước lượng gradient trong một cửa sổ 17x17 có tâm tại [ xi,, yj ]
x , y là các thành phần gradient theo hướng x, và y được tính qua mặt nạ
Ước lượng tần suất vân cục bộ
Tần suất vân cục bộ f xy tại điểm [ x, y ] là nghịch đảo của số vân trên một đơn vị chiều dài dọc theo đoạn có tâm tại [ x, y ] và vuông góc với hướng vân cục bộ θxy Một ảnh tần suất F có thể được xác định nếu tần suất được ước lượng ở các vị trí rời rạc và sắp xếp vào trong một ma trận.
Tần suất vân cục bộ thay đổi giữa các ngón tay và các vùng khác nhau của cùng một vân tay Hong, Wan và Jain (1998) đã ước lượng tần suất này bằng cách tính trung bình số điểm ảnh giữa hai đỉnh liên tiếp của mức xám theo hướng thông thường và hướng vân cục bộ Để thực hiện điều này, bề mặt S tương ứng với vân tay được chia bằng một cặp đường song song với trục z và vuông góc với hướng vân cục bộ Tần suất f xy tại điểm [xi, yj] được tính theo phương pháp này.
Một cửa sổ có kích thước 32 x 16 với tâm tại [xi, yj] được chọn trong hệ tọa độ vân, nhằm căn chỉnh trục y với hướng vân cục bộ Chữ ký x (x-signature) của mức xám được thu thập bằng cách tích lũy các mức xám của điểm ảnh tương ứng trong cửa sổ hướng cho mỗi cột x Phương pháp này giúp tạo ra mặt nghiêng mức xám mượt mà hơn và ngăn ngừa hiện tượng mờ đỉnh vân do các đứt gãy của vân \(f_{ij}\), mà là nghịch đảo của khoảng cách trung bình giữa hai đỉnh liên tiếp của x-signature.
Phương pháp này rất đơn giản và nhanh chóng, nhưng gặp khó khăn trong việc phát hiện các đỉnh liên tiếp của các mức xám trong không gian ảnh vân tay bị nhiễu Để khắc phục vấn đề này, các tác giả đề xuất sử dụng phép nội suy và lọc thông thấp.
Jiang (2000) đã nghiên cứu tần suất vân cục bộ thông qua x-signatures, sử dụng kỹ thuật phổ cao cấp gọi là mix-spectrum thay vì đo khoảng cách trong không gian Các mẫu vân trong hình ảnh vân tay được xem như tín hiệu nhiễu tuần hoàn; khi chúng lệch khỏi hình sin thuần túy, năng lượng của chúng phân bố theo tần số và có tính điều hòa Kỹ thuật mix-spectrum giúp tăng cường tần số cơ bản của tín hiệu bằng cách khai thác thông tin từ phần điều hòa thứ hai và thứ ba.
Phương pháp của Maia và Maltoni (1998a) mô hình hóa mẫu vân cục bộ như một bề mặt hình sin, sử dụng định lý thay đổi để ước lượng tần số không xác định Sự thay đổi V của hàm h trong khoảng [x1, x2] là tổng của sự thay đổi theo chiều dọc trong h.
Nếu hàm h là tuần hoàn trong khoảng [x1, x2] hoặc biên độ thay đổi trong khoảng này là nhỏ, sự biến thiên có thể được mô tả bằng hàm của biên độ trung bình αm và tần số trung bình f.
Do vậy, tần số không biết được ước lượng như sau: f = V (h)
Maio và Maltoni ( 1998a ) đề nghị một phương pháp thực hành dựa trên định lý trên.
Sự biến thiên và biên độ trung bình của mẫu vân hai chiều được ước lượng thông qua các dẫn xuất bậc nhất và bậc hai, trong khi tần suất vân cục bộ được xác định từ biểu thức (3).
Kovacs-Vajina và Frazzoni (2000) đã đề xuất một quy trình hai bước để ước lượng khoảng cách vân trung bình cho từng khối ảnh con 64x64 có chất lượng đủ Trong bước đầu tiên, thông tin này được lan truyền tới các miền còn lại thông qua đẳng thức truyền tin Hai phương pháp được xem xét là hình học và quang phổ Phương pháp hình học tính toán các điểm trung tâm của vân trên lưới chính quy và đo khoảng cách giữa các vân trên đường thẳng nối qua các điểm này, khác với phương pháp chữ ký –x, các khoảng cách được đo trực tiếp trên ảnh hai chiều Để khắc phục nhiễu, nhiều ước lượng trên cùng một khối ảnh được thực hiện Phương pháp quang phổ tìm kiếm các phổ năng lượng Fourier của mỗi khối con, thực hiện trên các tín hiệu hai chiều, và sự không thay đổi tương ứng với các hướng vân cục bộ được xác định bằng cách tìm kiếm lớn nhất xung quanh, với tất cả các thành phần có cùng khoảng cách từ điểm bắt đầu thể hiện cùng tần suất.
Tăng cường ảnh
Hiệu quả của các thuật toán trích chọn đặc tính và nhận dạng vân tay phụ thuộc vào chất lượng ảnh vân tay đầu vào Vân lồi và vân lõm trong ảnh vân tay thay thế nhau và hướng theo một hướng cố định, giúp dễ dàng phát hiện và xác định chi tiết Tuy nhiên, thực tế cho thấy khoảng 10% ảnh vân tay có chất lượng thấp do các yếu tố như điều kiện da (khô, ướt, bị cắt), nhiễu cảm biến, ấn vân tay không đúng và ngón tay kém chất lượng.
Hình 2.2: a) ảnh vân tay chất lượng tốt, b) vân tay với các nếp đứt, gãy c) Vân tay có rất nhiều nhiễu
Trong nhiều trường hợp, ảnh vân tay có thể chứa các vùng với chất lượng khác nhau, bao gồm tốt, trung bình và xấu Có một số dạng mất giá trị liên quan đến ảnh vân tay, như vân không liên tục, nếp đứt, và các vân song song không tách biệt rõ ràng Sự tồn tại của nhiễu có thể làm cho các vân này tách biệt kém, dẫn đến hiện tượng bị cắt, có nếp gấp hoặc thâm sẹo.
Hai dạng bị vân mất giá trị này gây khó khăn trong việc trích chọn đặc tính Chúng dẫn đến nhiều vấn đề trong quá trình trích chọn đặc tính.
Trích chọn các chi tiết sai lệch
Bỏ qua các chi tiết đúng
Để nâng cao hiệu quả trong việc trích chọn chi tiết từ ảnh vân tay chất lượng kém, cần áp dụng một thuật toán tăng cường nhằm cải thiện độ rõ nét của cấu trúc vân.
Chuyên gia vân tay có khả năng nhận diện chi tiết thông qua các manh mối như hướng vân, tính liên tục và xu hướng vân Lý thuyết cho thấy có thể phát triển thuật toán để cải thiện chất lượng hình ảnh bằng cách sử dụng các manh mối này Một ảnh vân tay có thể được phân đoạn thành ba hạng mục khác nhau.
Vùng được định nghĩa tốt: các vân được phân biệt rõ ràng với các vân khác
Vùng có khả năng phục hồi là những khu vực mà các vân bị hư hỏng do các đường đứt gãy nhỏ và thâm sẹo, nhưng vẫn có thể nhìn thấy Các vùng xung quanh cung cấp thông tin cần thiết để khôi phục cấu trúc ban đầu của chúng.
Vùng không thể phục hồi là nơi mà các vân đã bị hư hại nghiêm trọng, không còn vân nào nhìn thấy được, và các khu vực xung quanh không cho phép việc xây dựng lại.
Các vùng chất lượng tốt, có thể phục hồi và không thể phục hồi được xác định qua các tiêu chuẩn như độ tương phản, tính đầy đủ của hướng, tần suất vân và các đặc tính cục bộ khác Thuật toán tăng cường nhằm cải thiện tính rõ ràng của các cấu trúc vân trong các vùng có khả năng khôi phục, đồng thời đánh dấu các vùng không thể khôi phục do quá nhiễu để phục vụ cho các xử lý tiếp theo.
Đầu vào của thuật toán tăng cường thường là ảnh cấp xám, trong khi đầu ra có thể là ảnh cấp xám hoặc ảnh đen trắng, tùy thuộc vào thuật toán Các phương pháp như dàn trải tương phản, thực thi biểu đồ, chuẩn hóa (Hong, Wan và Jain, 1998) và lọc Winer (Greenberrg et al, 2000) đã chứng minh hiệu quả như là bước xử lý đầu tiên trong các thuật toán tăng cường ảnh vân tay phức tạp hơn.
Phương pháp chuẩn hóa sử dụng bởi Hong, Wan, và Jain ( 1998 ) quyết định giá trị cường độ của mỗi điểm ảnh như:
Trong quá trình chuẩn hóa, kì vọng và phương sai ảnh được ký hiệu là m và v, trong khi kì vọng và phương sai mong muốn sau khi chuẩn hóa được ký hiệu là mo và vo Chuẩn hóa được thực hiện trên từng điểm ảnh, với giá trị của mỗi điểm ảnh phụ thuộc vào các giá trị trước đó và một số tham số toàn cục, mà không làm thay đổi cấu trúc vân Cụ thể, quá trình này không làm phủ đầy các đứt gãy nhỏ, các lỗ, hay tách các vân song song bị chạm vào nhau Hình 2.3 minh họa một ví dụ cho quá trình này.
Hình 2.3: Một ví dụ về chuẩn hoá với m0 = 50 và v0 = 200
Hong, Wan và Jain ( 1998 ) đưa ra một phương pháp hiệu quả dựa trên bộ lọc Gabor.
Bộ lọc Gabor có khả năng chọn tần suất và hướng, đồng thời cung cấp độ phân giải tùy chọn trong cả miền không gian và miền tần số (Daugman, 1995; Jain và Farrokhnia, 1991) Như thể hiện trong hình 3.28, bộ lọc Gabor được định nghĩa bởi một sóng phẳng hình sin, được điều chỉnh bởi một hàm Gauss Hình dạng của bộ lọc đối xứng hai chiều Gabor có thể được mô tả như sau:
Trong đó, θ đại diện cho hướng của bộ lọc, và [xθ, yθ] là hình ảnh của [x,y] sau khi được quay quanh trục Cartesian một góc (90° – θ) Trong biểu thức này, f là tần suất của sóng phẳng hình sin, còn σx và σy là độ lệch chuẩn Gauss tương ứng theo trục x và trục y.
Để áp dụng bộ lọc Gabor cho ảnh, cần xác định bốn tham số: \$\theta\$, \$f\$, \$\sigma_x\$, và \$\sigma_y\$ Tần suất của bộ lọc phụ thuộc vào tần suất vân cục bộ, trong khi hướng của bộ lọc được xác định bởi hướng vân cục bộ Việc chọn giá trị cho \$\sigma_x\$ và \$\sigma_y\$ có thể hoán đổi cho nhau; giá trị lớn sẽ làm bộ lọc nhạy cảm với nhiễu nhưng dễ nhầm lẫn giữa vân lồi và vân lõm, trong khi giá trị nhỏ sẽ giảm nhầm lẫn nhưng kém hiệu quả trong việc loại bỏ nhiễu Từ hàm Modulation Transfer Function (MFT) của bộ lọc Gabor, có thể thấy rằng tăng \$\sigma_x\$ và \$\sigma_y\$ sẽ làm giảm băng thông của bộ lọc Dựa trên kinh nghiệm, Hong, Wan và Jain đã đặt \$\sigma_x = \sigma_y = 4\$ Để cải thiện hiệu suất, một tập hợp các bộ lọc được tạo ra và lưu trữ trước, thay vì tính toán cho từng điểm ảnh Mỗi điểm ảnh được quấn lại trong miền không gian với bộ lọc tương ứng, sử dụng hướng và tần số gần nhất Hình 3.29 minh họa tập bộ lọc cho \$n_0 = 8\$ và \$n_f = 3\$, trong khi Hình 3.30 trình bày ứng dụng Gabor trên các ảnh chất lượng trung bình và thấp.
Hình 2.5: Một biểu diễn đồ họa trong một nhóm 24 bộ lọc Gabor ( n0=8 và n1=5) với
Greenberg et al (2000) đã chỉ ra rằng việc giảm giá trị của σx tương ứng với σy trong quá trình lọc có thể tạo ra các vân sai và dễ bị nhiễu Trong thực tế, việc giảm σx dẫn đến việc tăng dải thông tần suất, không phụ thuộc vào dải thông góc không đổi, giúp bộ lọc loại bỏ tốt hơn các lỗi trong ước lượng tần suất cục bộ Tương tự, việc giảm σy để tăng dải thông góc đã được Sherlok, Monro, và Millard (1994) chỉ ra, với phương pháp của họ làm tăng dải thông góc gần với các vùng đơn, nơi các vân được đặc trưng bởi đường cong cao hơn và hướng thay đổi nhanh.
Hình 2.6 minh họa các ví dụ về tăng cường ảnh vân tay thông qua lọc Gabor, với các vùng khôi phục được tăng cường ở bên phải Đầu ra của ảnh chuẩn hóa có thể là ảnh cấp xám, gần ảnh hai cấp, hoặc ảnh nhị phân, tùy thuộc vào các tham số được chọn và bộ lọc thích hợp Mục tiêu không chỉ là cải thiện vẻ ngoài của ảnh mà còn để hỗ trợ cho các bước trích xuất đặc tính thành công Tuy nhiên, nếu các bộ lọc được điều chỉnh để tăng cường độ tương phản và giảm nhiễu, có thể xảy ra lỗi trong ước lượng điều kiện cục bộ (hướng và tần suất) ở các vùng chất lượng thấp, dẫn đến việc lọc chỉ cung cấp các cấu trúc sai lệch.
Phát hiện chi tiết
Hệ thống tự động so sánh vân tay chủ yếu dựa vào việc đối sánh chi tiết, do đó, việc trích chọn chi tiết đáng tin cậy là rất quan trọng Nhiều nghiên cứu đã được thực hiện để cải thiện quy trình này Mặc dù các phương pháp khác nhau, hầu hết đều yêu cầu chuyển đổi ảnh cấp xám của vân tay thành ảnh nhị phân Trong quá trình chuẩn hóa, có nhiều giai đoạn nhằm tạo điều kiện thuận lợi cho việc nhị phân hóa sau này Một số thuật toán chuẩn hóa cung cấp đầu ra là ảnh nhị phân, dẫn đến sự nhầm lẫn giữa chuẩn hóa và nhị phân hóa Ảnh nhị phân thu được thường trải qua giai đoạn làm mảnh, giúp giảm độ dày của đường vân xuống còn một điểm ảnh Cuối cùng, quá trình quét ảnh cho phép phát hiện các điểm ảnh tương ứng với các chi tiết.
Hình 2.7: a)ảnh cấp xám của một vân tay, b) ảnh nhận được khi nhị phân hóa ảnh a), c)ảnh nhận được khi làm mảnh ảnh b).
Một số tác giả đã đề xuất các phương pháp trích chọn chi tiết trực tiếp từ ảnh cấp xám mà không cần phải thực hiện quá trình nhị phân hóa và làm mảnh Sự lựa chọn này được đưa ra dựa trên các điều kiện nhất định.
Tập các thông tin quan trọng có thể bị mất trong quá trình nhị phân hóa
Nhị phân hóa và làm mảnh là quá trình tốn thời gian và có thể dẫn đến nhiều chi tiết sai lệch nếu không có bước chuẩn hóa Hầu hết các kỹ thuật nhị phân hóa không mang lại kết quả tốt khi áp dụng cho các ảnh có chất lượng thấp.
Phương pháp dựa nhị phân hóa
Nhị phân hóa là một vấn đề quan trọng trong xử lý ảnh và nhận dạng mẫu Phương pháp đơn giản nhất là sử dụng ngưỡng toàn cục t, trong đó các điểm ảnh có cấp xám nhỏ hơn t được gán giá trị 0, trong khi các điểm ảnh còn lại được gán giá trị 1.
1 Nói chung, các phần khác nhau của ảnh có thể được đặc tính hóa bởi độ tương phản và cường độ khác nhau, vì vậy một ngưỡng đơn là không đủ để nhị phân hóa chính xác Vì lí do này, kĩ thuật ngưỡng cục bộ thay đổi t một các cục bộ, bằng cách điều chỉnh giá trị của nó theo cường độ cục bộ trung bình Trong trường hợp ảnh vân tay chất lượng thấp, phương pháp ngưỡng cục bộ không phải lúc nào cũng bảo đảm một kết quả chấp nhận được, và các giải pháp đặc biệt là cần thiết.
Để nâng cao chất lượng ảnh nhị phân, một số nhà nghiên cứu đã đề xuất các kỹ thuật chính quy nhằm lấp đầy các lỗ, loại bỏ những đứt gãy nhỏ và xóa bỏ các cầu nối giữa các vân.
Coetzee và Botha (1993) đã xác định các lỗ và kẽ hở bằng cách theo dõi các đường vân từ các cửa sổ điều hợp, sau đó loại bỏ chúng bằng thuật toán màu-blob.
( 1993 ) sử dụng kĩ thuật lọc điều hợp để cân bằng độ rộng vân.
Khi nhận được ảnh xương, một bước quét ảnh đơn giản giúp phát hiện các điểm ảnh tương ứng với các chi tiết Các điểm ảnh này được đặc trưng bởi số điểm đi qua Số điểm đi qua \( cn(p) \) của một điểm ảnh \( p \) trong ảnh nhị phân được xác định bằng nửa tổng các sai khác giữa các cặp điểm ảnh trong 8 lân cận của \( p \).
Trong đó, các điểm ảnh p0, p1,…, p7 là những điểm ảnh lân cận của điểm ảnh p, với giá trị val(p) thuộc {0, 1} Điểm p được phân loại như sau: là điểm vân trung gian nếu cn(p) = 2, là điểm kết thúc nếu cn(p) = 1, và là các chi tiết phức tạp hơn (như điểm rẽ nhánh, điểm giao cắt) nếu cn(p) >= 3.
Hình 2.8 thể hiện hai ví dụ của quá trình trích chọn đặc tính từ ảnh nhị phân
Hình ảnh minh họa các ví dụ về phát hiện chi tiết trên xương, trong đó các vòng tròn và hộp màu trắng biểu thị điểm kết thúc và điểm rẽ hai, trong khi các vòng tròn và hộp màu đen thể hiện các chi tiết đã được lọc.
Lọc chi tiết
Để phát hiện các chi tiết sai ảnh hưởng đến ảnh vân tay nhị phân, có thể áp dụng một số luật cấu trúc đơn giản Xiao (1991b) đã xác định hầu hết các cấu trúc chi tiết sai và đề xuất phương pháp loại bỏ chúng Thuật toán này dựa trên các luật, yêu cầu các đặc tính số học liên quan đến chi tiết như chiều dài các vân (s), góc chi tiết, và số lượng các chi tiết đối diện gần kề trong lân cận.
Hình2.9: Các cấu trúc sai cơ bản ( hàng đầu tiên ) và cấu trúc sau khi sửa lỗi ( hàng thứ hai )
Farina, Kovacs-Vajina, và Leone ( 1999 ) đã đưa ra vài luật và thuật toán tiền xử lý chi tiết.
Khi xem xét các cầu, những cầu bị loại bỏ thường xuất hiện khi chúng được nhìn từ một điểm chẻ hai không chính xác Trong trường hợp này, chỉ có hai nhánh được căn chỉnh, trong khi nhánh thứ ba thường vuông góc với hai nhánh còn lại.
Các vân quá ngắn được loại bỏ dựa vào khi so sánh chiều dài vân với khoảng cách trung bình giữa các vân
Các điểm kết thúc và rẽ hai được kiểm tra: chúng được loại bỏ nếu không thỏa mãn tính hình học topo
Hình 2.10 minh họa quá trình tiền xử lý chi tiết theo phương pháp của Farina, Kovacs-vajina, và Leone (1999) Ảnh bên phải cho thấy hầu hết các chi tiết sai đã được loại bỏ từ ảnh vân bên trái.