TỔNG QUAN
Giới thiệu chung
1.1.1 Giới thiệu sinh trắc học
Trong thời đại công nghệ hiện nay, nhận dạng cá nhân tự động ngày càng trở nên nhanh chóng và dễ dàng nhờ vào sự phát triển của công nghệ sinh trắc học, như ứng dụng nhận dạng vân tay trên thiết bị di động Công nghệ này không chỉ tiện lợi trong việc bảo mật thiết bị mà còn được người dùng ưa chuộng, dần thay thế mật khẩu Sinh trắc học mang lại những lợi thế mà các phương thức xác thực khác không có, vì nó liên kết chặt chẽ danh tính người dùng với các đặc điểm sinh trắc học không thể mất đi hoặc trùng lặp Hơn nữa, sinh trắc học có khả năng chống lại các cuộc tấn công cao hơn, và hệ thống này có thể xác định chính xác những người dùng đã được đăng ký.
Hệ thống sinh trắc học yêu cầu sự hiện diện của người dùng trong quá trình xác thực, giúp ngăn chặn các yêu cầu từ chối sai Điều này đặc biệt quan trọng trong các ứng dụng bảo mật, nơi kẻ mạo danh có thể cố gắng lợi dụng danh tính Ngoài việc nâng cao bảo mật, các hệ thống này còn mang lại sự tiện lợi cho người dùng bằng cách giảm bớt nhu cầu về mật khẩu và mã thông báo.
Hệ thống sinh trắc học xác định danh tính người dùng thông qua các đặc điểm cơ thể hoặc hành vi Các đặc điểm sinh trắc học như khuôn mặt, tai, mống mắt, quét võng mạc, giọng nói, vân tay, hình dạng bàn tay/ngón tay, mẫu vân mạch máu, nhịp tim, và DNA có thể được sử dụng để xác thực người dùng.
Đặc điểm sinh trắc học về cơ thể và hành vi bao gồm những thói quen hành động của mỗi người, như dáng đi, chữ ký, lực gõ phím và cách sử dụng chuột máy tính Ngoài ra, các yếu tố sinh trắc học khác như màu da, màu mắt, màu tóc, chiều cao, cân nặng và hình xăm cũng được áp dụng rộng rãi trong nhận diện Các thiết bị như camera tại siêu thị và nơi công cộng có khả năng xác định người qua lại, với các hệ thống được thiết kế để giảm thiểu lỗi nhận dạng sai Trong tương lai, các hệ thống thế hệ mới hứa hẹn sẽ cải thiện độ chính xác bằng cách phát hiện và điều chỉnh các yếu tố bên ngoài ảnh hưởng đến hiệu quả của công nghệ sinh trắc học.
1.1.2 Các ứng dụng của sinh trắc học
Hệ thống sinh trắc học được sử dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là trong bảo mật, bao gồm kiểm soát truy cập vật lý và logic Các ứng dụng chính của nó bao gồm nhận diện vân tay, nhận diện khuôn mặt và quét mống mắt, giúp nâng cao mức độ an toàn và bảo mật cho các hệ thống.
1 Dịch vụ ngân hàng/tài chính như máy ATM, thiết bị thanh toán đầu cuối, thanh toán không dùng tiền mặt, rút tiền mặt tự động,…
2 Bảo mật máy tính & công nghệ thông tin như giao dịch Internet, đăng nhập máy tính cá nhân,…
3 Chăm sóc sức khỏe như quan tâm đến quyền riêng tư, kiểm soát thông tin bệnh nhân, kiểm soát thuốc,…
4 Nhập cư như kiểm soát biên giới, du khách thường xuyên, người tị nạn,…
5 Luật pháp và trật tự xã hội như thẻ căn cước, bỏ phiếu, kiểm soát súng, nhà tù,…
6 Người gác cổng/Kiểm soát ra vào cửa như thiết lập an toàn, quân đội, khách sạn, quản lý tòa nhà,…
7 Viễn thông như điện thoại, gian lận thuê bao, trung tâm cuộc gọi, trò chơi, …
8 Điểm danh và sự chuyên cần trong học tập và chấm công trong công ty
9 Phúc lợi, bao gồm các dịch vụ chăm sóc sức khỏe và các khoản thanh toán phúc lợi
10 Sản phẩm tiêu dùng như máy dịch vụ tự động, ATM, thiết bị khóa, PDA,…
1.1.3 Yêu cầu của đặc trưng sinh trắc học Đặc trưng sinh trắc học cần thỏa các tính chất để có thể áp dụng được bao gồm: tính phổ biến, tính duy nhất, tính lâu dài, khả năng thu thập, khả năng đo lường, hiệu suất, khả năng chấp nhận và độ tin cậy Trong “Sổ tay sinh trắc học” [13], “Công nghệ sinh trắc học và các hoạt động phát triển tiêu chuẩn sinh trắc học quốc tế-bảo mật” [14], các đặc tính này được trình bày như sau:
Mỗi người dùng ứng dụng sinh trắc học cần có một phương thức nhận dạng cụ thể như dấu vân tay, mống mắt hoặc tai để xác thực danh tính của mình.
Tính duy nhất là đặc tính quan trọng trong hệ thống sinh trắc học, giúp phân biệt rõ ràng giữa các cá nhân Những đặc điểm này không chỉ ngăn chặn truy cập trái phép mà còn bảo vệ hệ thống khỏi các cuộc tấn công Vì vậy, việc đảm bảo tính duy nhất là cần thiết để đáp ứng nhu cầu bảo mật và quyền riêng tư trong thiết kế hệ thống sinh trắc học.
Tính lâu dài của đặc tính sinh trắc học là yếu tố quan trọng, vì nó cần phải giữ được sự ổn định trong một khoảng thời gian nhất định để phù hợp với thuật toán so khớp của hệ thống.
Khả năng thu thập: Đề cập đến sự dễ dàng của việc lấy dữ liệu sinh trắc học
Việc thu thập và số hóa các đặc trưng sinh trắc học có thể được thực hiện thông qua các thiết bị phù hợp với cảm biến, đảm bảo không gây bất tiện cho người dùng Nhờ đó, chúng ta có thể rút trích và biểu diễn hiệu quả tập dữ liệu trong các mẫu sinh trắc học.
Bộ dữ liệu sinh trắc học cần được thiết kế để phù hợp cho việc phân tích thống kê nhằm xác định kết quả chính xác Đánh giá độ phức tạp của các thuật toán, thời gian tính toán và chi phí các thành phần trong sơ đồ là cần thiết để xác định hiệu quả của hệ thống trong các ứng dụng thực tế.
Hiệu suất của hệ thống được đánh giá qua độ chính xác, giúp đảm bảo chỉ những người dùng được ủy quyền mới có quyền truy cập, trong khi những kẻ mạo danh sẽ bị từ chối.
Khả năng chấp nhận đề cập đến phản ứng của mọi người đối với hệ thống sinh trắc học, mức độ quen thuộc với công nghệ và thói quen sử dụng các ứng dụng, cũng như sự sẵn sàng cung cấp dữ liệu sinh trắc học Độ tin cậy xác định chất lượng của các đặc tính sinh trắc học, trong khi thuộc tính gian lận/giả mạo được sử dụng để đánh giá các cuộc tấn công giả mạo tiềm ẩn và đo lường mức độ dễ dàng bắt chước các đặc điểm này.
1.1.4 Đặc trưng vân mạch máu lòng bàn tay
Nhận dạng vân mạch máu lòng bàn tay, ra đời vào năm 1991, đã thu hút sự chú ý nhờ tính bảo mật cao và khả năng phát hiện trực tiếp Phương pháp này được người dùng chấp nhận rộng rãi nhờ sự tiện lợi và độ chính xác mà nó mang lại Đặc trưng nổi bật của công nghệ này là việc sử dụng mạng lưới mạch máu dưới da lòng bàn tay, đảm bảo an toàn và bảo mật thông tin người sử dụng.
Vân mạch máu lòng bàn tay là một phương pháp nhận dạng sinh trắc học an toàn và khó sao chép, vì chúng chứa thông tin sinh học bên trong cơ thể Các mẫu vân mạch máu này thường không nhìn thấy bằng mắt thường và được chụp dưới ánh sáng hồng ngoại Chúng không bị trùng lặp giữa các cá nhân, và khác biệt giữa tay trái và tay phải, làm cho chúng trở thành một mã nhận dạng độc nhất Hệ thống nhận dạng vân mạch máu đảm bảo tính sống động, vì hình ảnh sẽ biến mất nếu không có máu chảy, và việc thu thập hình ảnh rất dễ dàng, không gây khó chịu cho người dùng Hơn nữa, quá trình này không cần tiếp xúc trực tiếp với cảm biến, giúp tránh nhiễm bẩn và không bị ảnh hưởng bởi các yếu tố bên ngoài như dầu mỡ, bụi bẩn hay độ ẩm của tay.
Hệ thống nhận dạng vân mạch máu lòng bàn tay
Hệ thống định danh cho phép xác định danh tính của một người thông qua việc so khớp các thuộc tính vân mạch máu với dữ liệu lưu trữ trong cơ sở dữ liệu Quá trình này liên quan đến việc tìm kiếm một-nhiều, giúp hệ thống nhận dạng vân mạch máu xác định người được định danh một cách chính xác.
Hệ thống xác thực danh tính yêu cầu người dùng xác nhận danh tính của họ, do đó không cần phải so khớp tất cả các thuộc tính vân mạch máu đã lưu trữ, mà chỉ cần so khớp một cặp thuộc tính: một thuộc tính đại diện cho danh tính được yêu cầu và một thuộc tính tương ứng.
18 tính khác được đo lường tại thời điểm yêu cầu Do đó, xác thực bao gồm tìm kiếm một-một [29]
1.2.3 Quy trình nhận dạng vân mạch máu lòng bàn tay
Hệ thống nhận dạng vân mạch máu lòng bàn tay bao gồm bốn bước chính: thu nhận hình ảnh, tiền xử lý, rút trích đặc trưng và so khớp Đầu tiên, hình ảnh vân mạch máu được thu nhận, sau đó tiến hành tiền xử lý để phân đoạn hình ảnh Quá trình rút trích đặc trưng giúp lấy các thông tin hiệu quả từ hình ảnh đã được xử lý Cuối cùng, bước so khớp sẽ so sánh các đặc trưng vân mạch máu lòng bàn tay với cơ sở dữ liệu chứa các mẫu đã đăng ký.
Hình 1.2 Sơ đồ khối nhận diện bằng hình ảnh vân mạch máu lòng bàn tay Thu nhận ảnh
Trong nghiên cứu sinh trắc học, việc kết hợp nhiều phương thức hình ảnh đã cho thấy tiềm năng lớn trong việc cải thiện hiệu suất nhận dạng Theo lý thuyết điện từ, sóng hertzian từ ánh sáng quang phổ nhìn thấy đến tia hồng ngoại gần có khả năng xâm nhập mạnh mẽ vào các đặc trưng Đối với sinh trắc học bàn tay, việc sử dụng đèn chiếu sáng đa phổ cho phép xuyên qua các mô dưới da ở nhiều độ sâu khác nhau.
Thu nhận ảnh vân mạch máu lòng bàn tay Vị trí
Có 19 đặc điểm khác nhau trên các vùng lòng bàn tay, tạo nên hình ảnh kết cấu bề mặt da và động mạch, bao gồm cả vân mạch máu Dựa trên những đặc tính này, một thiết bị hình ảnh đa phổ đã được thiết kế để thu thập thông tin tương quan và bổ sung về bàn tay con người.
1.2.3.1.2 Mô tả thu nhận ảnh
Thiết bị chụp ảnh đa quang phổ lòng bàn tay, như thể hiện trong Hình 1.3, sử dụng hình ảnh 8 bit cho mỗi bàn tay Mỗi bàn tay được chụp qua hai phiên, cách nhau hơn một tháng, với ba mẫu trong mỗi phiên Mỗi mẫu bao gồm sáu hình ảnh lòng bàn tay chụp đồng thời ở sáu quang phổ khác nhau, tương ứng với các bước sóng 460nm, 630nm, 700nm, 850nm, 940nm và ánh sáng trắng Giữa các mẫu, tư thế tay có thể được thay đổi để tăng tính đa dạng của các mẫu nội lớp và mô phỏng ứng dụng thực tế.
Hình 1.3 Thiết bị chụp ảnh đa phổ lòng bàn tay
Thiết bị chụp ảnh đa phổ lòng bàn tay không có chốt cố định, cho phép người dùng tự do điều chỉnh tư thế và vị trí của lòng bàn tay Người dùng cần đặt lòng bàn tay vào thiết bị và đảm bảo nó nằm trước nền đồng màu Thiết bị này cung cấp ánh sáng phân bố đồng đều để chụp ảnh chính xác.
Thiết bị này được trang bị 20 lòng bàn tay sử dụng camera CCD cố định ở đáy, cùng với một mạch điều khiển tự động điều chỉnh phổ Hình 1.4[15] hiển thị sáu hình ảnh vân lòng bàn tay tiêu biểu từ cơ sở dữ liệu.
Hình 1.4 Sáu hình ảnh vân lòng bàn tay điển hình trong cơ sở dữ liệu
Rút trích ROI là một yếu tố quan trọng trong việc xác định vân lòng bàn tay và vân mạch máu lòng bàn tay Quá trình này bao gồm việc điều chỉnh và xác định các điểm chính trên hình ảnh vân mạch máu và lòng bàn tay, nhằm chọn ra vùng trung tâm hiệu quả để rút trích và so sánh đặc trưng Vùng trung tâm này, được gọi là vùng quan tâm (ROI), cần phải được xác định đồng nhất cho cả hai loại hình ảnh Mục tiêu của việc xác định ROI là thực hiện normalization cho các đường vân khác nhau, loại bỏ các yếu tố bất lợi, và tạo điều kiện thuận lợi cho việc rút trích và so khớp đặc trưng sau này Hiện nay, có nhiều phương pháp rút trích ROI được nghiên cứu và áp dụng cho vân mạch máu và vân lòng bàn tay.
Phương pháp dựa trên đường tròn nội tiếp cực đại và phương pháp tâm được áp dụng để xác định tâm và bán kính trong lòng bàn tay Đường tròn nội tiếp lớn nhất trong các diện tích lòng bàn tay được thực hiện, sau đó hiệu chỉnh góc quay của lòng bàn tay Hình vuông nội tiếp lớn nhất được cắt ra từ hình tròn nội tiếp, và cuối cùng chuẩn hóa về kích thước ROI 128 × 128 Phương pháp rút trích tâm sử dụng tâm của hình ảnh lòng bàn tay đã thu được, với hình ảnh con hình chữ nhật kích thước 256 × 256 được ngăn lại bằng tâm làm trung tâm.
Phương pháp đường tròn nội tiếp cực đại thường được áp dụng trong giai đoạn tiền xử lý để rút trích ROI, đặc biệt là trong việc nhận diện đặc trưng vân mạch máu lòng bàn tay sau khi đã rút trích thông tin phong phú.
Lưu đồ phương pháp đường tròn nội tiếp cực đại
Hình 1.5 Lưu đồ của phương pháp đường tròn nối tiếp cực đại rút trích ROI
Để giảm thiểu chi phí tính toán, trước tiên cắt bỏ các cạnh không cần thiết của hình ảnh và sau đó thực hiện xử lý nhị phân để chuyển đổi hình ảnh thành đen trắng Tuy nhiên, hình ảnh sau khi xử lý nhị phân vẫn có một số đốm trắng nhỏ do nhiễu không hữu dụng Để loại bỏ những nhiễu này, sử dụng phép toán hình thái Hình ảnh bảng màu được lấy từ cơ sở dữ liệu CASIA dưới ánh sáng trắng, trong đó Hình 1.6 là hình ảnh màu xám và Hình 1.7 là hình ảnh nhị phân sau khi áp dụng các phép toán hình thái.
Nhận đường tròn nội tiếp cực đại
Xoay hình ảnh, cắt hình chữ nhật nội tiếp Cắt vùng ROI
Hình 1.6 Hình ảnh mức xám
Hình 1.7 Hình ảnh nhị phân sau các phép toán hình thái
Mỗi người có kích thước và vị trí lòng bàn tay khác nhau, do đó phương pháp xác định vị trí dựa trên đường tròn nội tiếp cực đại là cần thiết Cách tiếp cận này tận dụng các đặc điểm đường viền hình dạng bàn tay để thu thập bảng màu một cách chính xác.
1) Sau khi tiền xử lý, thu được hình ảnh nhị phân của lòng bàn tay, điểm trung tâm của đường tròn nội tiếp cực đại trong lòng bàn tay nằm trong vùng lòng bàn tay Để nâng cao hơn nữa hiệu quả của các phép tính, điểm trung tâm có thể nằm trong lòng bàn tay xung quanh tâm Sử dụng tâm làm điểm gốc để xác định một hình chữ nhật có chiều dài nhất định Theo kinh nghiệm, thường xác định kích thước hình chữ nhật là 100 × 100 Tìm kiếm tâm vòng tròn trong khu vực này sẽ cải thiện hiệu quả rất nhiều
2) Lấy một điểm trong hình chữ nhật làm tâm của đường tròn và thay đổi dần bán kính của hình tròn Khi cạnh của vòng tròn này rơi vào cạnh của vân mạch máu lòng bàn tay, sẽ ngừng tìm kiếm bán kính và ghi lại bán kính của hình tròn này
Mục tiêu đề tài
Bài viết trình bày việc phát triển thuật toán nhận diện vân mạch máu thông qua việc cải tiến đặc trưng SIFT và áp dụng đặc trưng mã nhị phân đối xứng cục bộ Mục tiêu là nâng cao hiệu năng thực hiện và thử nghiệm trên cơ sở dữ liệu quốc tế (PUT) nhằm chứng minh hiệu quả của phương pháp đề xuất.
Phương pháp nghiên cứu
Nghiên cứu và phát triển thuật toán mới dựa trên phương pháp mã nhị phân đối xứng cục bộ kết hợp với đặc trưng bất biến SIFT nhằm tạo ra đặc trưng hiệu quả cho việc nhận diện vân mạch máu lòng bàn tay.
Đặc trưng và phạm vi nghiên cứu
Đề tài làm việc với hình ảnh trên cơ sở dữ liệu ảnh vân mạch máu lòng bàn tay PUT được thu nhận với 2 bước sóng 850nm và 940nm.
Cấu trúc báo cáo
Báo cáo có cấu trúc gồm các chương như sau:
Sinh trắc học là lĩnh vực nghiên cứu về các phương pháp nhận diện và xác thực danh tính con người thông qua các đặc điểm sinh học Hệ thống sinh trắc học yêu cầu độ chính xác cao và bảo mật tốt, với nhiều ứng dụng trong an ninh, ngân hàng và quản lý truy cập Đặc trưng vân mạch máu lòng bàn tay được xem là một trong những phương pháp nhận diện hiệu quả, nhờ vào sự độc đáo và khó giả mạo của chúng Quy trình nhận dạng vân mạch máu bao gồm việc thu thập, phân tích và so sánh mẫu vân mạch để xác định danh tính Mục tiêu nghiên cứu là cải thiện độ chính xác và tính khả thi của hệ thống, với các phương pháp nghiên cứu đa dạng nhằm phát triển công nghệ sinh trắc học Phạm vi nghiên cứu không chỉ giới hạn trong lý thuyết mà còn bao gồm ứng dụng thực tiễn, đồng thời đóng góp vào kho tàng tri thức khoa học trong lĩnh vực này.
Chương 2 Các công trình nghiên cứu liên quan
Bài viết trình bày các phương pháp rút trích đặc trưng từ mạng lưới mạch máu, bao gồm bộ lọc MFRAT và các kỹ thuật dựa trên mẫu nhị phân cục bộ (LBP), mẫu nhị phân cục bộ mở rộng và đặc trưng dẫn xuất cục bộ (LDP) Ngoài ra, các phương pháp dựa trên đặc trưng cục bộ bất biến như biến đổi đặc trưng bất biến theo tỉ lệ (SIFT) và các phiên bản SIFT sửa đổi cũng được giới thiệu Bài viết còn đề cập đến các phương pháp rút trích đặc trưng vân lòng bàn tay và các kỹ thuật liên quan để xử lý ảnh, nhằm thu được các đặc trưng bất biến, không ổn định nhưng có tính phân biệt cao từ MFRAT.
Chương 3 Phương pháp đề xuất
Nghiên cứu này giới thiệu một phương pháp mới để rút trích đặc trưng vân mạch máu lòng bàn tay không tiếp xúc, kết hợp mô hình nhị phân cục bộ đối xứng trung tâm (ECS-LBP) cải tiến với SIFT và MFRAT, được gọi là MFRAT SIFT - ECS-LBP Phương pháp này được thực hiện qua hai bước chính.
1) áp dụng bộ lọc MFRAT để rút trích đặc trưng hướng của đường vân
2) Áp dụng phương pháp ECS-LBP để phát hiện các đường vân mạch máu lòng bàn tay ổn định và rõ ràng
3) Rút trích đặc trưng cục bộ bất biến SIFT trên hình ảnh đường vân mạch máu lòng bàn tay
Chương 4 Kết quả thực nghiệm
Thực nghiệm trên cơ sở dữ liệu hình ảnh vân mạch máu lòng bàn tay đa phổ
PUT và so sánh với các phương pháp trước đó như LBP [21], CS-LBP-SIFT [18],
Chương 5 Kết luận và hướng phát triển
Dựa theo kết quả thống kê ở chương 4, đánh giá độ chính xác của phương pháp đã để xuất Đưa ra phương án đề xuất phát triển trong tương lai
CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
Bộ lọc MFRAT
Bộ lọc MFRAT, được đề xuất bởi Huang và các cộng sự, là một công cụ mạnh mẽ cho việc trích xuất các đường đặc trưng, dựa trên phép biến đổi Radon.
Nó thực kết nối các gờ bị hỏng với nhau, lấp đầy các lỗ và làm rõ tính đối xứng tuyến tính của các gờ một cách nhanh chóng
MFRAT là một phương pháp phân tích hình ảnh, trong đó xác định các đường khác nhau {mi} (i=0, 1, …, 12) đi qua điểm trung tâm (x0, y0) trong một khu vực cục bộ Zp có kích thước p x p.
Trong đó f [x, y] là giá trị mức xám pixel (x, y) thuộc đường Li Li biểu thị tập hợp các điểm thuộc đường Zp theo công thức:
Hệ số độ dốc của đường Li được ký hiệu là Si, và đường Li này đi qua điểm tâm (x0, y0) đã được xác định Tổng mức xám của các điểm trên đường Li được ký hiệu là mi.
Hình 2.1 13x13 MFRAT theo 12 hướng, Điểm đỏ là tâm, các đường in đậm đi qua điểm tâm là các đường xác định được theo các hướng
Các đặc trưng mẫu nhị phân cục bộ
2.2.1 Đặc trưng mẫu nhị phân cục bộ (LBP)
Mẫu nhị phân cục bộ (LBP) là một kỹ thuật rút trích đặc trưng quan trọng trong xử lý ảnh, giúp phân loại kết cấu bất biến xoay hiệu quả Quá trình này bắt đầu bằng việc sử dụng toán tử LBP cơ bản để so sánh giá trị của mỗi pixel với các pixel lân cận, từ đó mã hóa kết quả thành giá trị nhị phân Các đặc trưng được rút trích sẽ được chọn lọc và thu gọn thành vector đặc trưng, sẵn sàng cho việc đưa vào mô hình nghiên cứu.
Nếu giá trị của pixel trung tâm nhỏ hơn, nó sẽ được gán nhị phân 0, ngược lại sẽ là 1 Các bit nhị phân này sau đó được gom lại thành một chuỗi nhị phân và chuyển đổi thành số thập phân, tạo ra kết quả LBP cuối cùng cho pixel trung tâm.
Hình 2.2 Ví dụ về toán tử LBP
Mở rộng hoạt động của Local Binary Patterns (LBP) bằng cách áp dụng các vùng lân cận với tỉ lệ khác nhau có thể cải thiện hiệu suất nhận diện Bằng cách sử dụng vùng lân cận tròn và thay thế các pixel bị thiếu bằng giá trị trung bình có trọng số của các pixel gần nhất từ bốn cạnh, phương pháp này cho phép điều chỉnh bán kính và số lượng pixel trong vùng lân cận Ký hiệu 𝐿𝐵𝑃 𝑃,𝑅 được sử dụng để biểu thị hoạt động LBP dựa trên điểm lấy mẫu 𝑃 trên đường tròn có bán kính 𝑅 Một số ví dụ về các vùng lân cận tròn được minh họa trong Hình 2.3, so với tâm nhị phân 00111001 (thập phân: 57).
Để loại bỏ ảnh hưởng của việc xoay hình ảnh, mỗi LBP được điều chỉnh về một vị trí chuẩn, tạo ra một tham chiếu chung cho tất cả các phiên bản xoay của mẫu nhị phân Điều này liên quan đến việc sử dụng toán tử LBP bất biến xoay, được ký hiệu là LBP P,R ri, với định nghĩa cụ thể như sau:
𝐿𝐵𝑃 𝑃,𝑅 𝑟𝑖 = 𝑚𝑖𝑛{𝑅𝑂𝑅(𝐿𝐵𝑃 𝑃,𝑅 , 𝑖|𝑖 = 0,1,2, … 𝑃 − 1)} (2.3) trong đó 𝑅𝑂𝑅(𝑥, 𝑖) thực hiện chuyển dịch tròn các bit sang phải 𝑖 lần trên số nhị phân
Một phần mở rộng khác của phương pháp LBP là các mẫu đồng dạng [69],
Một mẫu nhị phân cục bộ được gọi là đồng dạng nếu chỉ có tối đa hai lần chuyển đổi bit từ 0 sang 1 hoặc ngược lại khi chuỗi nhị phân được dịch chuyển theo vòng tròn Ví dụ, các mẫu như 00000000, 00001111 và 10000011 thể hiện các mẫu đồng dạng với 0, một và hai chuyển đổi bit từ 0 sang 1 Phép toán 𝐿𝐵𝑃 𝑃,𝑅 𝑢2 được sử dụng để tạo ra các mẫu đồng dạng LBP, và Hình 2.3 minh họa 36 mẫu bất biến xoay được tạo ra bởi phép toán 𝐿𝐵𝑃 8,𝑅 𝑟𝑖, trong đó 9 mẫu ở hàng đầu tiên là đồng dạng.
Hình 2.1 36 mẫu bất biến xoay được tạo ra bởi phép toán 𝑳𝑩𝑷 𝟖,𝑹 𝒓𝒊
2.2.2 Mẫu nhị phân cục bộ mở rộng
Mẫu nhị phân cục bộ đa biến (Multivariate Local binary pattern - MLBP)
Phép toán mẫu nhị phân cục bộ đa biến (MLBP) do Arco Lucifer phát triển mô tả quan hệ pixel cục bộ trong ba dải màu Nó không chỉ xem xét các tương tác không gian giữa các pixel trong một dải mà còn giữa các dải khác nhau Kết quả là, vùng lân cận của một pixel bao gồm các lân cận cục bộ từ cả ba dải màu.
Hình 2.2 Phép đo kết cấu MLBP mô tả các mối quan hệ không gian trong một dải và giữa các dải
Theo công thức (2.4), ngưỡng cục bộ được xác định từ các dải, tạo ra tổng cộng chín kết hợp khác nhau Kết quả này cho phép mô tả cấu trúc màu cục bộ thông qua thước đo kết cấu màu, được biểu diễn bằng biểu đồ tần suất sự xuất hiện 𝑀𝐿𝐵𝑃, tính toán trên một hình ảnh hoặc một vùng của hình ảnh Phân phối đơn này bao gồm 𝑃 × 3^2 số khoảng (bin), ví dụ với 𝑃 = 8 sẽ tạo thành 72 bin.
Mẫu nhị phân cục bộ nâng cao (ELBP)
Mở rộng phép toán LBP bằng cách tính toán các giá trị đặc trưng từ các tập hợp điểm thay vì các điểm cô lập, cho phép xem xét các tỉ lệ khác nhau của vùng lân cận và trung tâm Khái niệm này giúp giải quyết một số vấn đề tồn tại trong phương pháp LBP.
LBP hỗ trợ không gian nhỏ, do đó không thể phát hiện đúng các cấu trúc kết cấu quy mô lớn
LBP làm mất thông tin kết cấu cục bộ, vì chỉ sử dụng các dấu hiệu khác biệt của các pixel lân cận
LBP rất nhạy cảm với nhiễu, vì bất kỳ sự dao động nhỏ nào trên hoặc dưới giá trị của điểm ảnh trung tâm đều được xem là tương đương với độ tương phản chính giữa điểm ảnh trung tâm và môi trường xung quanh.
Hình 2.3 Sơ đồ phép toán E – LBP 4,4,3
Thuật toán ELBP được minh họa trong Hình 2.5, trong đó 𝐺 𝑁𝑖 đại diện cho tập hợp cường độ pixel lân cận quanh tâm 𝐶 𝑁𝑖, với pixel bên trái/trên cùng gần nhất được chọn làm trung tâm khi kích thước vùng lân cận là chẵn Đồng thời, 𝐺 𝐶 là tập hợp cường độ pixel trung tâm tại vị trí 𝐶 𝐶, với 𝑟 là khoảng cách giữa pixel trung tâm 𝐶 𝑁𝑖 và các pixel lân cận.
𝐶 𝐶 Các giá trị đại diện cho những bộ này dưới dạng giá trị trung bình của cường độ pixel thuộc các bộ này: 𝑔 𝑖=𝑚𝑒𝑎𝑛(𝐺
Vectơ đặc trưng được tạo ra tương tự như trong phép toán LBP, sử dụng các giá trị 𝑔 𝑖 ′ và 𝑔 𝐶 ′ thay cho 𝑔 𝑖 và 𝑔 𝑐.
Phương sai mẫu nhị phân cục bộ (Local binary pattern variance - LBPV)
Bộ mô tả LBPV cho kết quả vượt trội hơn LBP nhờ khắc phục nhược điểm của các đặc trưng cục bộ bất biến, vốn làm mất thông tin không gian toàn cục LBPV giới thiệu một phương pháp lai hiệu quả, kết hợp giữa xoay toàn cục bất biến và các đặc trưng kết cấu LBP biến thể cục bộ Phương pháp này đơn giản nhưng mạnh mẽ, kết hợp LBP với phân phối tương phản, giúp khai thác thông tin bổ sung từ mô hình không gian và độ tương phản cục bộ Các giá trị ngưỡng được sử dụng để lượng tử hóa VAR của ảnh thử nghiệm, được tính toán để phân chia thành N bin với số đầu vào bằng nhau.
Các giá trị ngưỡng này được sử dụng để lượng hóa phương sai của hình ảnh thực nghiệm.
Đặc trưng dẫn xuất cục bộ (Local derivative pattern - LDP)
Mẫu dẫn xuất cục bộ (LDP) là một lược đồ mã hóa dành cho các mẫu hướng cục bộ, ban đầu được sử dụng trong nhận dạng khuôn mặt Đối với một hình ảnh bảng màu, các dẫn xuất bậc nhất theo các hướng khác nhau được ký hiệu là 𝐼 𝜕 ′ (𝑍), trong đó 𝜕 có các giá trị 0°, 45°, 90° và 135° Giả sử rằng 𝑍 0 là một điểm trong 𝐼 𝑍.
𝑍 𝑖 (𝑖 = 1, … ,8) là điểm lân cận Do đó, các dẫn xuất bậc nhất của bốn hướng được minh họa như sau:
8 lân cận xung quanh điểm trung tâm được thể hiện như Hình 2.5:
Hình 2.4 Mẫu 8 pixel lân cận xung quanh Z 0
Dẫn xuất cấp hai của 𝑍 0 trên 𝜕(𝜕 = 0 0 , 45 0 , 90 0 𝑣à 135 0 có thể được minh họa như:
Trong đó 𝑓( , ) là một hàm mã hóa nhị phân xác định các loại chuyển đổi mẫu cục bộ như:
1, 𝑛ế𝑢 𝐼 𝜕 ′ (𝑍 0 ) ∙ 𝐼 𝜕 ′ (𝑍 𝑖 ) ≤ 0 (2.8) Cuối cùng, một vectơ 32-bit được nối bởi các dẫn xuất theo bốn hướng như sau:
Các đặc trưng cục bộ bất biến
Khớp hình ảnh là yếu tố quan trọng trong nhiều vấn đề của thị giác máy tính, như nhận dạng đối tượng và cảnh, xây dựng cấu trúc 3D từ nhiều hình ảnh, âm thanh và theo dõi chuyển động Các đặc trưng hình ảnh có tính chất ổn định, không bị ảnh hưởng bởi tỷ lệ, xoay hình ảnh, ánh sáng hay góc nhìn camera 3D Đặc trưng được xác định rõ trong không gian và tần số, giúp giảm thiểu rủi ro do nhiễu hoặc biến đổi không theo thứ tự Nhiều đặc trưng có thể được rút trích hiệu quả từ hình ảnh bằng các thuật toán, cho phép so khớp chính xác và nhanh chóng dựa trên cơ sở dữ liệu các đặc trưng, từ đó hỗ trợ quá trình nhận dạng đặc trưng và cảnh.
Chi phí rút trích đặc trưng hình ảnh có thể được giảm thiểu nhờ phương pháp lọc theo tầng, trong đó các hoạt động tốn kém chỉ được thực hiện tại những vị trí vượt qua thử nghiệm ban đầu Dưới đây là các giai đoạn tính toán chính để tạo ra tập hợp các đặc trưng hình ảnh.
1 Phát hiện các điểm cực trị trong không gian theo tỉ lệ (Scale-space extrema detection): Giai đoạn đầu tiên của quá trình tính toán tìm kiếm trên tất cả các tỉ lệ và vị trí hình ảnh Được thực hiện một cách hiệu quả bằng cách sử dụng một hàm khác biệt của Gaussian để xác định các điểm quan tâm tiềm năng bất biến theo tỉ lệ và hướng
2 Định vị điểm chính (Keypoint localization): Tại mỗi vị trí điển hình, một mô hình chi tiết phù hợp để xác định vị trí và tỉ lệ Các điểm chính được lựa chọn dựa trên các thước đo về độ ổn định
3 Xác định hướng (Orientation assignment): Một hoặc nhiều hướng được chỉ định cho mỗi vị trí điểm chính dựa trên các hướng gradient hình ảnh cục bộ Tất cả các hoạt động trong tương lai được thực hiện trên dữ liệu hình ảnh đã được chuyển đổi so với hướng, tỉ lệ và vị trí được chỉ định cho từng đặc trưng cục bộ, do đó cung cấp tính bất biến cho các phép biến đổi này
4 Bộ mô tả điểm chính (Keypoint descriptor): Gradient của hình ảnh cục bộ được đo ở tỉ lệ đã chọn trong vùng xung quanh mỗi điểm chính Mỗi điểm chính này được chuyển đổi thành một điểm biểu diễn cho phép mức độ biến dạng cục bộ đáng kể và thay đổi độ chiếu sáng
Cách tiếp cận Đặc trưng chuyển đổi bất biến theo tỉ lệ (SIFT) chuyển đổi dữ liệu hình ảnh thành các tọa độ bất biến, giúp nhận diện các đặc trưng cục bộ một cách chính xác.
Một khía cạnh quan trọng của phương pháp này là tạo ra một số lượng lớn các đặc trưng cục bộ, giúp bao phủ hình ảnh một cách dày đặc trên nhiều tỉ lệ và vị trí Một hình ảnh kích thước 500x500 pixel có thể tạo ra khoảng 2000 đặc trưng ổn định, điều này rất quan trọng cho nhận dạng đặc trưng Để đảm bảo khả năng phát hiện các đặc trưng nhỏ, ít nhất 3 đặc điểm cần được so khớp chính xác từ mỗi đặc trưng Quá trình so khớp và nhận dạng hình ảnh bắt đầu bằng việc rút trích các đặc trưng SIFT từ một tập hợp hình ảnh tham chiếu và lưu trữ chúng trong cơ sở dữ liệu Hình ảnh mới được so khớp bằng cách so sánh từng đặc trưng với cơ sở dữ liệu và tìm các đặc trưng phù hợp dựa trên khoảng cách Euclide của các vectơ đặc trưng.
Các bộ mô tả điểm quan trọng có khả năng phân biệt cao giúp tìm kiếm đặc trưng cục bộ chính xác trong cơ sở dữ liệu lớn Tuy nhiên, trong hình ảnh gốc, nhiều đặc trưng từ nền không có kết quả khớp chính xác nào, dẫn đến việc phát sinh nhiều kết quả không mong muốn.
Kết quả chính xác trong việc xác định các so khớp có thể được lọc từ toàn bộ dữ liệu bằng cách nhận diện các tập hợp con của các điểm chính thống nhất về đặc trưng, vị trí, tỉ lệ và hướng trong hình ảnh mới Việc xác định các cụm phù hợp này có thể được thực hiện nhanh chóng thông qua việc sử dụng bảng băm hiệu quả trong phép biến đổi Hough tổng quát.
Các cụm đặc trưng từ ba đặc điểm trở lên sẽ được xác thực chi tiết, bắt đầu bằng ước tính bình phương nhỏ nhất cho một xấp xỉ affine về tư thế Những đặc điểm hình ảnh phù hợp với tư thế này sẽ được xác định, trong khi các đặc điểm ngoại lệ sẽ bị loại bỏ Cuối cùng, một phép tính chi tiết sẽ được thực hiện dựa trên xác suất mà một tập hợp các đặc trưng chỉ ra sự hiện diện của một đặc trưng, dựa trên độ chính xác của sự phù hợp và số lượng kết quả so khớp sai Những đặc trưng phù hợp vượt qua các bài kiểm tra này sẽ được xác định là đúng với độ tin cậy cao.
Phát hiện điểm cực trị không gian theo tỉ lệ (Scale-space extrema detection)
Phương pháp lọc theo tầng sử dụng các thuật toán hiệu quả để xác định các vị trí tiềm năng cho việc phát hiện điểm chính, sau đó sẽ được kiểm tra chi tiết hơn Giai đoạn đầu tiên bao gồm việc xác định các vị trí và tỉ lệ có thể lặp lại dưới các góc nhìn khác nhau của cùng một đặc trưng Việc phát hiện các vị trí bất biến với sự thay đổi tỉ lệ hình ảnh được thực hiện bằng cách tìm kiếm các đặc trưng ổn định trên tất cả các tỉ lệ, thông qua một hàm liên tục theo tỉ lệ gọi là không gian tỉ lệ (Witkin, 1983).
Koenderink (1984) và Lindeberg (1994) đã chỉ ra rằng dưới nhiều giả thiết hợp lý, nhân không gian tỉ lệ duy nhất có thể là hàm Gaussian Do đó, không gian tỉ lệ của hình ảnh được định nghĩa là hàm 𝐿(𝑥, 𝑦, 𝜎), được tạo ra từ tích chập của Gaussian tỉ lệ biến 𝐺(𝑥, 𝑦, 𝜎) với hình ảnh đầu vào 𝐼(𝑥, 𝑦).
Các điểm quan tâm với đặc trưng SIFT tương thích với các điểm cực trị cục bộ của bộ lọc difference-of-Gaussian (DoG) ở nhiều tỉ lệ khác nhau, tạo ra một không gian tỉ lệ phong phú cho việc nhận diện và phân tích hình ảnh.
39 của một hình ảnh được định nghĩa như một hàm 𝐿(𝑥, 𝑦, 𝜎) được tạo ra từ phép nhân chập một biến tỉ lệ Gaussian 𝐺(𝑥, 𝑦, 𝜎) với một hình ảnh đầu vào 𝐼(𝑥, 𝑦):
𝐿(𝑥, 𝑦, 𝜎) = 𝐺(𝑥, 𝑦, 𝜎) ∗ 𝐼(𝑥, 𝑦), trong đó ∗ là phép toán tích chập theo 𝑥 và 𝑦, và
Để phát hiện hiệu quả các vị trí điểm chính ổn định trong không gian tỉ lệ, Lowe (1999) đã sử dụng điểm cực trị không gian tỉ lệ trong hàm DoG được biến đổi với hình ảnh Hàm DoG, ký hiệu là 𝐷(𝑥, 𝑦, 𝜎), có thể được tính toán từ hiệu số của hai thang đo gần nhau, được phân tách bởi hệ số nhân 𝑘 không đổi.