TỔNG QUAN
Giới thiệu chung
1.1.1 Giới thiệu sinh trắc học
Trong thời đại công nghệ phát triển, nhận dạng cá nhân tự động ngày càng trở nên nhanh chóng và dễ dàng nhờ vào sự ứng dụng phổ biến của công nghệ sinh trắc học, như 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 lợi thế vượt trội so với các phương pháp xác thực khác, bởi nó liên kết chặt chẽ danh tính người dùng với các đặc điểm sinh trắc học không thể mất đi và không bị trùng lặp Hệ thống này có khả năng chống lại các cuộc tấn công cao hơn, đồng thời xác định chính xác các người dùng đã được đăng ký trong hệ thống.
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 và bảo vệ thông tin cá nhân Điều này đặc biệt quan trọng trong các ứng dụng yêu cầu bảo mật cao, nơi mà kẻ mạo danh có thể cố gắng lợi dụng danh tính khác nhau để đạt được lợi ích Ngoài việc nâng cao mức độ bảo mật, các hệ thống sinh trắc học còn mang lại sự tiện lợi cho người dùng bằng cách giảm bớt nhu cầu thiết kế mật khẩu và mã thông báo.
Hệ thống sinh trắc học sử dụng các đặc điểm cơ thể và hành vi để nhận dạng người dùng Một số ví dụ về đặc điểm sinh trắc học bao gồm 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.
Đặc điểm sinh trắc học về cơ thể và hành vi bao gồm các yếu tố như dáng đi, chữ ký, lực gõ phím và cách sử dụng chuột, cùng với các đặc trưng sinh trắc học như màu da, màu mắt, chiều cao, cân nặng và hình xăm, được sử dụng phổ biến để nhận diện cá nhân Các thiết bị như camera tại siêu thị và nơi công cộng có khả năng xác định người qua lại, với các hệ thống mới được thiết kế nhằm giảm thiểu lỗi nhận dạng sai Trong tương lai, các hệ thống thế hệ tiếp theo sẽ tiếp tục cải thiện độ chính xác bằng cách phát hiện và điều chỉnh các yếu tố bên ngoài có thể 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 ứng dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là trong bảo mật, bao gồm kiểm soát truy cập vật lý và logic Các lĩnh vực này đóng vai trò quan trọng trong việc nâng cao an ninh và bảo vệ thông tin.
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 riêng biệt, 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 Do đó, 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, yêu cầu rằng các đặc điểm này phải duy trì tính 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 thực hiện được 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 thành công dữ liệu sinh trắc học một cách hiệu quả.
Bộ dữ liệu sinh trắc học cần được thiết kế để phục vụ cho phân tích thống kê và xác định kết quả chính xác Việc đánh giá độ phức tạp của các thuật toán, thời gian tính toán và chi phí các thành phần trong sơ đồ là rất quan trọng để xác định hiệu quả của hệ thống trong các ứng dụng thực tế.
Hiệu suất của hệ thống là yếu tố quan trọng để đảm bảo độ chính xác, cho phép chỉ những người dùng được ủy quyền mới có quyền truy cập, đồng thời từ chối những kẻ mạo danh.
Khả năng chấp nhận sinh trắc học liên quan đến phản ứng của người dùng đối với công nghệ này, bao gồm mức độ quen thuộc và thói quen sử dụng ứng dụng, cũng như sự sẵn sàng cung cấp dữ liệu sinh trắc học Độ tin cậy của các đặc tính sinh trắc học được xác định qua chất lượng của chúng, trong khi thuộc tính gian lận/giả mạo giúp đánh giá các cuộc tấn công tiềm ẩn và đo lường khả năng bắt chước các đặc điểm sinh trắc học.
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, khả năng phát hiện trực tiếp và sự tiện lợi Phương pháp này sử dụng mạng lưới mạch máu dưới da lòng bàn tay, mang lại độ an toàn vượt trội cho người dùng.
Vân mạch máu lòng bàn tay là một hình thức nhận dạng sinh trắc học an toàn, khó bị sao chép hơn so với các đặc điểm sinh trắc học khác Chúng thường không nhìn thấy bằng mắt thường và được chụp dưới ánh sáng hồng ngoại Mỗi người có mẫu vân mạch máu riêng biệt, không bị trùng lặp, và kiểu mạch máu ở tay trái và tay phải cũng khác nhau Hệ thống nhận dạng này đảm bảo tính sống động của mẫu, vì hình ảnh mạch máu sẽ biến mất nếu không có máu chảy Quá trình thu thập hình ảnh vân mạch máu lòng bàn tay diễn ra dễ dàng, không cần tiếp xúc trực tiếp với cảm biến, giúp tránh sự nhiễm bẩn Các yếu tố bên ngoài như dầu mỡ, bụi bẩn, hay độ ẩm của tay cũng không ảnh hưởng đến cấu trúc của vân mạch máu.
Hệ thống nhận dạng vân mạch máu lòng bàn tay
Hệ thống định danh sử dụng công nghệ nhận dạng vân mạch máu để xác định danh tính của người dùng bằng cách 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, cho phép xác định chính xác người được định danh trong số nhiều cá nhân khác.
Hệ thống xác thực danh tính yêu cầu người dùng xác nhận thông tin với hệ thống Do đó, hệ thống không cần so khớp tất cả các thuộc tính vân mạch máu đã lưu trữ, mà chỉ cần đối chiếu một cặp thuộc tính: một thuộc tính đại diện cho danh tính yêu cầu và một thuộc tính khác.
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 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 thập và sau đó tiền xử lý để xác định vùng ROI Tiếp theo, quá trình rút trích đặc trưng giúp lấy các đặc điểm hiệu quả từ hình ảnh đã xử lý Cuối cùng, so khớp đặc trưng sẽ so sánh các đặc điểm này 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 hứa hẹn sẽ nâng cao hiệu suất nhận dạng Theo lý thuyết điện từ, sóng hertzian từ ánh sáng quang phổ nhìn thấy đến tia hồng ngoại có khả năng xâm nhập mạnh mẽ vào các đặc trưng Đối với sinh trắc học bàn tay, đèn chiếu sáng đa phổ có thể 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 thành 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 trong hai phiên, cách nhau hơn một tháng, với ba mẫu trong mỗi phiên Mỗi mẫu bao gồm sáu hình ảnh lòng bàn tay chụp cùng lúc với sáu quang phổ khác nhau, tương ứng với các bước sóng 460nm, 630nm, 700nm, 850nm, 940nm và ánh sáng trắng Giữa các mẫu, các 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 được đặt trước nền có màu đồng nhất Thiết bị này cung cấp ánh sáng phân bố đồng đều để thực hiện quá trình chụp ảnh.
Thiết bị 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] trình bày sáu hình ảnh vân lòng bàn tay điển hình 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 Quá trình này bao gồm việc điều chỉnh và xác định vị trí các điểm chính trên hình ảnh, từ đó chọn ra khu vực trung tâm, hay còn gọi là vùng quan tâm (ROI), để thực hiện rút trích và so sánh đặc trưng Đối với hình ảnh vân mạch máu và vân lòng bàn tay, vị trí của ROI cần phải nhất quán Mục tiêu của việc xác định ROI là để chuẩn hóa các đặc trưng của các loại vân khác nhau, nhằm loại bỏ ảnh hưởng của các yếu tố bất lợi và tối ưu hóa việc rút trích thông tin từ hình ảnh Hiện nay, có nhiều phương pháp khác nhau để thực hiện rút trích ROI cho vân mạch máu và vân lòng bàn tay.
Phương pháp dựa trên đường tròn nội tiếp cực đại và phương pháp tâm được sử dụng để xác định tâm và bán kính trong lòng bàn tay Đường tròn nội tiếp lớn nhất trong diện tích lòng bàn tay sẽ được thực hiện, sau đó điều chỉnh góc quay của lòng bàn tay Hình vuông nội tiếp lớn nhất được cắt ra từ đường tròn này và chuẩn hóa về kích thước ROI 128 × 128 Đồng thời, phương pháp rút trích tâm sử dụng tâm của hình ảnh lòng bàn tay đã thu được, tạo ra hình ảnh hình chữ nhật kích thước 256 × 256 với tâm làm trung tâm.
Phương pháp đường tròn nội tiếp cực đại là một kỹ thuật phổ biến trong giai đoạn tiền xử lý nhằm rút trích ROI, đặc biệt trong việc phân tích đặc trưng vân mạch máu ở lòng bàn tay, giúp thu được thông tin phong phú và hữu ích.
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 cải thiện chất lượng hình ảnh, trước tiên cần cắt bỏ các cạnh không cần thiết và sau đó chuyển đổi hình ảnh thành ảnh đen trắng nhằm giảm chi phí tính toán Mặc dù hình ảnh sau khi xử lý nhị phân vẫn còn một số đốm trắng nhỏ do nhiễu, nhưng có thể áp dụng các phép toán hình thái để loại bỏ những nhiễu này Hình ảnh bảng màu được chọn ngẫu nhiên từ cơ sở dữ liệu CASIA dưới nguồn sáng trắng, với hình ảnh màu xám và hình ảnh nhị phân sau khi áp dụng các phép toán hình thái được trình bày trong Hình 1.6 và Hình 1.7.
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 các 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 này trình bày việc phát triển thuật toán nhận diện vân mạch máu thông qua việc cải tiến đặc trưng SIFT và đặc trưng mã nhị phân đối xứng cục bộ Mục tiêu là đạt hiệu năng thực hiện cao 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 dựa trên phương pháp mã nhị phân đối xứng cục bộ kết hợp với đặc trưng bất biến SIFT nhằm tạo ra đặc trưng mới 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 một lĩnh vực nghiên cứu quan trọng, với nhiều ứng dụng trong nhận dạng và xác thực danh tính Hệ thống sinh trắc học yêu cầu các đặc trưng riêng biệt, trong đó vân mạch máu lòng bàn tay được coi là một phương pháp hiệu quả Quy trình nhận dạng vân mạch máu lòng bàn tay bao gồm các bước thu thập, phân tích và xác thực dữ liệu Mục tiêu của nghiên cứu này là phát triển các phương pháp chính xác và đáng tin cậy, đồng thời mở rộng phạm vi ứng dụng của công nghệ sinh trắc học Đóng góp khoa học từ nghiên cứu này không chỉ nâng cao hiểu biết về vân mạch máu mà còn cải thiện các hệ thống bảo mật hiện tại.
Chương 2 Các công trình nghiên cứu liên quan
Bài viết trình bày các phương pháp khác nhau để rút trích đặc trưng từ mạng lưới mạch máu, bao gồm bộ lọc MFRAT và các phương pháp 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 đặc trưng SIFT sửa đổi cũng được giới thiệu Bên cạnh đó, bài viết 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 rút trích các đặc trưng bất biến, không ổn định nhưng có tính phân biệt cao từ bộ lọc MFRAT.
Chương 3 Phương pháp đề xuất
Nghiên cứu giới thiệu một phương pháp mới để rút trích đặc trưng vân mạch máu lòng bàn tay không tiếp xúc, kết hợp giữa mô hình nhị phân cục bộ đối xứng trung tâm (ECS-LBP) cải tiến và SIFT cùng với MFRAT, được gọi là MFRAT SIFT - ECS-LBP Phương pháp này bao gồm hai bước chính để nâng cao hiệu quả nhận dạng.
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 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 được định nghĩa là một phương pháp trong đó, với một vùng ảnh cục bộ Zp có kích thước p x p, nó tính toán các đường khác nhau {mi} (i=0, 1, …, 12) đi qua điểm trung tâm (x0, y0) theo một công thức cụ thể.
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:
Si là hệ số độ dốc của Li, trong khi mi đại diện cho tổng mức xám của các điểm nằm trên đường Li, được xác định qua tâm (x0, y0).
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 phương pháp rút trích đặc trưng hiệu quả trong xử lý ảnh, giúp phân loại kết cấu bất biến xoay Hình 2.1 minh họa toán tử LBP cơ bản, từ đó đặc trưng được rút trích sẽ được chọn lọc và chuyển đổi thành vector đặc trưng Vector này sau đó có thể được sử dụng trong các mô hình nghiên cứu Đối với mỗi pixel trong hình ảnh, giá trị của nó được so sánh với các giá trị pixel lân cận, và kết quả của các phép so sánh này được mã hóa thành giá trị nhị phân.
Nếu giá trị của pixel trung tâm nhỏ hơn, nó sẽ được gán nhị phân 0, ngược lại sẽ là nhị phân 1 Các bit nhị phân này được nhóm lại thành một chuỗi 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 LBP thông qua việc sử dụng các vùng lân cận với tỉ lệ khác nhau cho phép linh hoạt trong việc xử lý hình ảnh Bằng cách áp dụng vùng lân cận tròn và thay thế các pixel bị thiếu bằng giá trị trung bình có trọng số của các pixel xung quanh, người dùng có thể tùy chỉnh bán kính và số lượng pixel trong vùng lân cận Ký hiệu 𝐿𝐵𝑃 𝑃,𝑅 đại diện cho 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, với tâm nhị phân là 00111001 và giá trị thập phân tương ứng là 57.
Để loại bỏ ảnh hưởng của sự xoay hình ảnh dẫn đến các mẫu nhị phân khác nhau, mỗi LBP được xoay về một vị trí chuẩn làm tham chiếu cho tất cả các phiên bản xoay Điều này liên quan đến việc sử dụng toán tử LBP bất biến xoay, được ký hiệu là LBP P,R ri, và được định nghĩa 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 chứa 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 là các mẫu đồng dạng với số lượng chuyển đổi bit từ 0 sang 1 lần lượt là 0, 1 và 2 Phép toán 𝐿𝐵𝑃 𝑃,𝑅 𝑢2 được sử dụng để tạo ra các mẫu đồng dạng LBP, trong đó Hình 2.3 minh họa 36 mẫu bất biến xoay, với 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 mối quan hệ pixel cục bộ trong ba dải 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 cho một pixel bao gồm các lân cận cục bộ từ cả ba dải.
Hình 2.2 Phép đo kết cấu MLBP mô tả các mối quan hệ không gian trong một dải và giữa các dải
Từ công thức (2.4), ngưỡng cục bộ được xác định từ các dải, tạo ra chín kết hợp khác nhau Kết quả này cung cấp một mô tả về cấu trúc màu cục bộ thông qua thước đo kết cấu màu, là biểu đồ tần suất sự xuất hiện 𝑀𝐿𝐵𝑃, được tính toán trên một hình ảnh hoặc một vùng của hình ảnh Phân phối đơn này bao gồm 𝑃 × 3^2 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, đồng thời xem xét các tỉ lệ khác nhau của vùng lân cận và trung tâm, giúp khắc phục 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 ngay cả những dao động nhỏ nhất trên hoặc dưới giá trị của điểm ảnh trung tâm cũng có thể ảnh hưởng đến độ tương phản giữa điểm ảnh này và môi trường xung quanh.
Hình 2.3 Sơ đồ phép toán E – LBP 4,4,3
Thuật toán ELBP, như được minh họa trong Hình 2.5, sử dụng tập hợp cường độ pixel lân cận 𝐺 𝑁𝑖 với tâm 𝐶 𝑁𝑖, trong đó pixel bên trái/trên cùng gần nhất được chọn làm trung tâm khi kích thước vùng lân cận là chẵn Đồng thời, 𝐺 𝐶 đại diện cho cường độ pixel trung tâm với tâm 𝐶 𝐶, và 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 [73] cho kết quả vượt trội hơn LBP nhờ vào việc khắc phục nhược điểm của các đặc trưng cục bộ bất biến, vốn làm mất thông tin không gian toàn cục LBPV đề xuất một phương pháp lai 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 hiệu quả, kết hợp LBP với phương pháp phân phối tương phản LBP 𝑝,𝑟 /𝑉𝐴𝑅 𝑝,𝑟 mạnh mẽ nhờ 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 các 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 cho các mẫu hướng cục bộ, được áp dụng ban đầu 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), với 𝜕 = 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
So khớp hình ảnh là yếu tố quan trọng trong thị giác máy tính, liên quan đến nhận dạng đối tượng, cấu trúc 3D và theo dõi chuyển động Các đặc trưng hình ảnh có khả năng không thay đổi tỉ lệ và xoay, đồng thời chịu được biến đổi ánh sáng và góc nhìn Chúng được định vị tốt trong miền không gian và tần số, giúp giảm thiểu sự gián đoạn do nhiễu Bằng cách sử dụng các thuật toán hiệu quả, có thể rút trích một lượng lớn đặc trưng từ hình ảnh, tạo điều kiện cho việc nhận dạng chính xác với hiệu suất cao dựa trên cơ sở dữ liệu các đặc trưng.
Chi phí rút trích đặc trưng được tối ưu hóa thông qua phương pháp lọc theo tầng, trong đó các hoạt động tốn kém chỉ 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 SIFT (Đặc trưng chuyển đổi bất biến theo tỉ lệ) chuyển đổi dữ liệu hình ảnh thành tọa độ bất biến theo tỉ lệ, liên quan đến các đặc trưng cục bộ.
Phương pháp này tập trung vào việc tạo ra một lượng lớn đặc trưng cục bộ, giúp bao phủ đầy đủ hình ảnh với độ dày trên các tỉ lệ và vị trí khác nhau Một hình ảnh kích thước 500x500 pixel có thể tạo ra khoảng 2000 đặc trưng ổn định Số lượng đặc trưng rất quan trọng cho nhận dạng, vì việc phát hiện các đặc trưng nhỏ trong ảnh gốc yêu cầu ít nhất 3 đặc điểm phải được so khớp chính xác để đảm bảo độ tin cậy Để thực hiện việc so khớp và nhận dạng hình ảnh, các đặc trưng SIFT được rút trích từ một tập hợp hình ảnh tham chiếu và lưu trữ trong cơ sở dữ liệu Hình ảnh mới được so khớp bằng cách so sánh từng đặc trưng với cơ sở dữ liệu, 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 các đặc trưng cục bộ tìm kiếm chính xác trong cơ sở dữ liệu lớn Tuy nhiên, trong hình ảnh gốc, nhiều đặc trưng từ nền không khớp với bất kỳ kết quả nào trong cơ sở dữ liệu, dẫn đến việc phát sinh nhiều kết quả không mong muốn.
Kết quả chính xác có thể được lọc từ các kết quả phù hợp bằng cách xác định 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 thích hợp này có thể thực hiện nhanh chóng thông qua việc sử dụng bảng băm hiệu quả kết hợp với phép biến đổi Hough tổng quát.
Mỗi cụm ba đặc trưng trở lên được xác thực chi tiết dựa trên một đặc trưng và tư thế thống nhất Đầu tiên, ước tính bình phương nhỏ nhất được thực hiện cho một xấp xỉ affine của đặc trưng tư thế Các đặc điểm hình ảnh phù hợp với tư thế này được xác định, trong khi các đặc điểm ngoại lệ sẽ bị loại bỏ Cuối cùng, một phép tính chi tiết dựa trên xác suất của các đặc trưng cụ thể cho thấy sự hiện diện của đặc trưng, dựa trên độ chính xác và số lượng kết quả sai lệch Những đặc trưng phù hợp vượt qua các bài kiểm tra này có thể 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 phát hiện các điểm chính, xác định các vị trí tiềm năng để kiểm tra chi tiết hơn Giai đoạn đầu tiên trong quá trình này là xác định các vị trí và tỉ lệ có thể lặp lại từ nhiều góc nhìn khác nhau của cùng một đặc trưng Việc phát hiện các vị trí bất biến trước 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 trong nhiều giả thiết hợp lý, nhân không gian tỉ lệ duy nhất có thể là hàm Gaussian Do đó, không gian tỉ lệ của một 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 không gian tỉ lệ đa dạng.
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 điểm chính ổn định trong không gian tỉ lệ, Lowe (1999) đã sử dụng điểm cực trị không gian tỉ lệ trong hàm DoG (Difference of Gaussian) được biến đổi với hình ảnh Hàm này, ký hiệu là 𝐷(𝑥, 𝑦, 𝜎), có thể được tính toán từ hiệu số của hai thang đo gần nhau, được phân tách bằng hệ số nhân 𝑘 không đổi.