Professional Documents
Culture Documents
Hà Nội – 2008
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Hà Nội – 2008
MỤC LỤC
LỜI CẢM ƠN ....................................................................................................... 1
MỤC LỤC............................................................................................................. 2
MỞ ðẦU............................................................................................................... 4
CHƯƠNG I. GIỚI THIỆU TỔNG QUAN ........................................................... 1
1.1. ðặt vấn ñề................................................................................................... 1
1.2. Tính cấp thiết của ñề tài ............................................................................. 2
1.3. Mục tiêu của luận văn ................................................................................ 2
1.4. Cấu trúc của luận văn................................................................................. 3
CHƯƠNG II. SINH TRẮC HỌC VÀ XÁC THỰC SINH TRẮC HỌC ............. 5
2.1. Giới thiệu.................................................................................................... 5
2.2. Tổng quan về sinh trắc học và xác thực sinh trắc học ............................... 6
2.2.1. Sinh trắc học là gì................................................................................ 6
2.2.2. Tại sao sử dụng ñặc tính sinh trắc học. ............................................... 7
2.3. Xác thực sinh trắc học................................................................................ 7
2.3.1. Hệ thống sinh trắc học......................................................................... 7
2.3.2. Các công nghệ sinh trắc ...................................................................... 8
2.4. Kết luận .................................................................................................... 10
CHƯƠNG III. NHẬN DẠNG MỐNG MẮT ..................................................... 11
3.1. Giới thiệu.................................................................................................. 11
3.2. Qui trình xác ñịnh mống mắt ................................................................... 13
3.2.1. Xác ñịnh vị trí mống mắt và ñồng tử ................................................ 13
3.2.2. Sự dò tìm các mí mắt và ñường viền (limbus): thuật toán lặp.......... 19
3.2.3. Dò tìm các lông mi: phân loại MAP với tiêu chuẩn liên kết ............ 20
3.2.4. Trích chọn vùng quan tâm................................................................. 22
3.2.5. ðánh giá loại bỏ tạp nhiễu ................................................................ 23
3.3. Quy trình nhận dạng mống mắt................................................................ 23
3.3.1. Chuẩn hoá ảnh................................................................................... 24
3.3.2. Trích chọn ñặc trưng ......................................................................... 28
3.3.3. So khớp ñặc trưng ............................................................................. 34
3.5. Kết luận .................................................................................................... 39
CHƯƠNG IV. MÔ HÌNH ỨNG DỤNG VÀ THỰC NGHIỆM ........................ 40
4.1. Mô hình ứng dụng .................................................................................... 40
4.1.1. Mô hình hộ chiếu ñiện tử có sử dụng ñặc trưng sinh trắc mống mắt 40
4.1.2 Mô hình xác thực HCðT có ñặc trưng mống mắt ............................. 47
4.1.3. Mô hình hệ thống HCðT với ñặc trưng mống mắt........................... 48
4.2. Phát triển hệ thống thực nghiệm .............................................................. 49
4.2.1. Thu nhận ảnh..................................................................................... 49
4.2.2. Làm sạch ảnh..................................................................................... 50
4.2.3. Dò tìm ñồng tử .................................................................................. 51
4.2.4. Dò tìm cạnh Canny............................................................................ 51
4.2.5. Dò tìm mống mắt .............................................................................. 54
4.2.6. Trải ñặc trưng mống mắt – Chuẩn hóa ảnh....................................... 54
4.2.7. Trích rút ñặc trưng............................................................................. 55
4.2.8. Giải thuật so khớp ............................................................................. 56
4.3. Kết quả thực nghiệm ................................................................................ 57
4.4. ðánh giá ................................................................................................... 58
CHƯƠNG V: KẾT LUẬN CHUNG .................................................................. 60
TÀI LIỆU THAM KHẢO................................................................................... 62
MỞ ðẦU
Như chúng ta ñã biết, một trong những tiến bộ của khoa học công nghệ của
thế kỷ XX là sự ra ñời của thông tin ñiện tử và Internet. Giới khoa học nhận ñịnh
thế kỷ XXI là thế kỷ ñánh dấu những bước nhảy vọt về công nghệ thông tin và
các hệ thống thông tin. Một trong những ứng dụng ñộc ñáo của công nghệ thông
tin ñó chính là công nghệ sinh trắc học (Biometrics Technology). Công nghệ
sinh trắc học ñược ứng dụng trong việc nhận dạng những dấu hiệu ñặc biệt và
mang tính duy nhất của con người ñể phục vụ cho việc lưu trữ các thông tin cá
nhân, bảo mật hệ thống…. Dưới môi trường mạng Internet phát triển, mọi người
trong môi trường ñó rất gần nhau và thông tin có thể chia sẻ ñược, do ñó vấn ñề
bảo mật thông tin và bảo mật hệ thống càng ñược chú trọng. Một trong các công
nghệ ñang ñược quan tâm nhất hiện nay là nhận dạng mống mắt bởi kỹ thuật
nhận dạng mống mắt có ñộ chính xác cao.
Công nghệ nhận dạng màng mống mắt ñã ñược nghiên cứu ở nước ngoài
rất nhiều, nhưng tại Việt Nam ñây là vấn ñề còn chưa có những nghiên cứu, tìm
hiểu thích ñáng. Từ ñó, với mong muốn tìm hiểu, khám phá những ñiều mới
trong lĩnh vực công nghệ thông tin, tôi ñã lựa chọn và tiến hành nghiên cứu nội
dung “Nhận dạng màng mống mắt ứng dụng trong xác thực sinh trắc học” như
nội dung làm luận văn của mình.
Cùng với thời gian nghiên cứu và sự hướng dẫn của thầy giáo, tôi ñã hoàn
thành luận văn với những nội dung ñề ra. Tuy nhiên do thời gian hạn chế, vấn ñề
nghiên cứu rất mới với nhiều kiến thức khó, do vậy không thể tránh ñược những
thiếu xót, kính mong nhận ñược sự ñóng góp ý kiến của các Thầy, Cô và các
bạn.
CHƯƠNG I. GIỚI THIỆU TỔNG QUAN
2/63
- ðánh giá kết quả thu ñược và hoạch ñịnh những phương hướng phát
triển trong thời gian tới.
Hệ thống thử nghiệm sẽ ñược xây dựng thông qua việc mô tả các quá trình
chính trong việc xác ñịnh ñặc trưng và so khớp ảnh mống mắt. Các giai ñoạn
bao gồm: phân ñoạn-xác ñịnh vị trí vùng mống mắt trong một ảnh mắt, chuẩn
hoá- tạo ra một kích thước phù hợp sự miêu tả về vùng mống mắt, phân tích ñặc
trưng- tạo ra một mẫu chỉ chứa các ñặc trưng phân biệt nhất của mống mắt. ðầu
vào hệ thống sẽ là một ảnh mắt, và ñầu ra sẽ là một mẫu mống mắt, chúng sẽ
ñưa ra một sự miêu tả chính xác vùng mống mắt.
1.4. Cu trúc ca lu n văn
Nội dung ñề tài bao gồm 5 phần chính:
- Chương I: giới thiệu tổng quan vấn ñề ñặt ra cũng như mục tiêu chủ chốt
của luận văn này.
- Chương II: ñề cập những kiến thức cơ bản liên quan ñến lĩnh vực xác thực
người dùng thông qua những ñặc trưng sinh trắc.
- Chương III: tập chung phân tích những vấn ñề liên quan ñến việc nhận
dạng mống mắt, một ñặc trưng cho phép mang lại ñộ chính xác rất cao trong quá
trình xác thực người dùng. Chương này ñề cập ñến những nội dung chính sau:
• Qui trình trích chọn ñặc trưng của mống mắt
Xác ñịnh vị trí mống mắt và ñồng tử
Dò tìm các mí mắt
Cô lập các lông mi
Trích chọn vùng quan tâm
ðánh giá loại bỏ tạp nhiễu (ñộ rọi sáng..)
• Qui trình nhận dạng mống mắt
Trích trọn ñặc trưng
So khớp ñặc trưng
- Chương IV ñược dành ñể trình bày những ñóng góp chính của luận văn
thông qua việc ứng dụng kết quả nhận dạng mống mắt trong bài toán xác thực
hộ chiếu ñiện tử, một bài toán ñiển hình trong lĩnh vực xác thực sinh trắc học.
Nội dung chính của chương bao gồm:
Mô hình hộ chiếu ñiện tử có sử dụng ñặc trưng sinh trắc màng
mống mắt.
3/63
Xây dựng ứng dụng thử nghiệm quá trình ñối sánh ảnh mống mắt
chụp ñược với dữ liệu ñặc trưng ñã ñược lưu trên hộ chiếu ñiện tử.
- Chương V: tổng kết những kết quả thu ñược trong luận văn cũng như
những hướng phát triển kế tiếp.
4/63
CHƯƠNG II. SINH TRẮC HỌC VÀ XÁC THỰC SINH TRẮC HỌC
2.1. Gii thiu
Nói ñến sinh trắc học là nói ñến nhận dạng và kiểm tra sự giống nhau của
con người dựa trên các ñặc ñiểm sinh lý nào ñó về một người. Các ñặc ñiểm sinh
trắc học thường sử dụng bao gồm: Mống mắt, giọng nói, vân tay, khuôn mặt,
chữ viết tay, hình bàn tay…
Mống mắt là màng tròn mỏng, nằm giữa giác mạc và thuỷ tinh thể của mắt
người. Một ảnh nhìn chính diện của mống mắt ñược chỉ ra trong hình 1.a dưới
ñây. Mống mắt bị ñục thủng gần tâm của nó bởi lỗ tròn gọi là ñồng tử.
Mí mắt
Giác mạc
Mống mắt
ðồng tử
Hình 1a. Ảnh mắt của con người nhìn trực diện từ phía trước [7]
Nói một cách khác, mống mắt là một cơ trong mắt. Nó là phần màu của
mắt với màu của mống mắt ñược xác ñịnh chủ yếu dựa trên số lượng sắc tố
melatonin có trong cơ. Chức năng của mống mắt là ñiều chỉnh kích thước ñồng
tử và số lượng ánh sáng vào mắt. ðiều này ñược thực hiện bởi các cơ vòng và cơ
giãn, chúng ñiều chỉnh kích thước ñồng tử. ðường kính trung bình của mống
mắt là 12mm và kích thước ñồng tử có thể biến ñổi từ 10 ñến 80% ñường kính
mống mắt [7].
Mống mắt gồm một số lớp, thấp nhất là lớp biểu mô, chúng chứa các tế bào
sắc tố dày ñặc. Lớp chất nền nằm trên lớp biểu mô và chứa các mạch máu, các tế
bào sắc tố và hai cơ mống mắt. Mật ñộ của sắc tố chất nền xác ñịnh màu sắc của
mống mắt. Bề ngoài rõ ràng bề mặt của mống mắt là ña lớp có hai vùng, chúng
thường có màu sắc khác nhau. Một vùng mi ngoài và một vùng ñồng tử trong,
và hai vùng ñó ñược phân ra bởi ñường viền- chúng xuất hiện như kiểu chữ chi
(zíc zắc). (Xem các hình 1a, 1b)
5/63
Vết lõm mống mắt
Mống Các nếp nhăn
mắt
Vòng nhỏ
[3] [13]
Hình 1b: Cấu trúc mống mắt
Mặc dù màu sắc và cấu trúc của mống mắt gắn với vấn ñề di truyền học,
nhưng những ñặc trưng chính của mỗi mống mắt là không giống nhau. Mắt phát
triển trong suốt thời kỳ trước khi trưởng thành thông qua một quá trình ñịnh
hình chặt chẽ và sự tạo nếp của các màng mô. Sự hình thành mống mắt bắt ñầu
vào tháng thứ ba của thời kỳ thai nghén và việc tạo ra cấu trúc kiểu của nó khá
ñầy ñủ vào tháng thứ tám. Nhưng kiểu dáng duy nhất trên bề mặt mống mắt
ñược tạo thành trong suốt một năm ñầu tiên, và sự phát triển của các sắc tố chất
nền xảy ra khoảng vài năm ñầu sau khi sinh. Sự hình thành các kiểu dáng ñơn
nhất của mống mắt là ngẫu nhiêu không liên quan tới bất kỳ nhân tố gien nào.
Chỉ những ñặc tính mà phụ thuộc vào gien là sắc tố của mống mắt mới xác ñịnh
màu sắc của nó. Nhờ biểu sinh tự nhiên của các kiểu mống mắt, hai mắt của một
cá nhân hoàn toàn ñộc lập về kiểu mống mắt và ngay cả các cặp sinh ñôi giống
hệt nhau cũng có các kiểu mống mắt khác nhau.
Chính vì ñặc ñiểm mỗi mống mắt là duy nhất và các cấu trúc khác biệt nêu
trên nên ảnh mống mắt có thể ñược sử dụng cho mục ñích nhận dạng/xác thực
người dùng.
2.2. T
ng quan v sinh trc hc và xác thc sinh trc hc
2.2.1. Sinh trắc học là gì
Sinh trắc học là nhân tố thể hiện các ñặc ñiểm hành vi hoặc thuộc tính của
con người, có khả năng phân biệt người này với người khác như: vân tay, khuôn
mặt, giọng nói, mống mắt, hình dạng bàn tay, v.v... Nó là một công nghệ sử
dụng những thuộc tính vật lý hoặc các mẫu hành vi ñể nhận diện con người. Ví
dụ sử dụng vân tay, vân tay ñược ñặt trên một máy cảm biến và sau ñó ñược
6/63
quét vào máy tính ñể nhận dạng bằng cách so sánh với dữ liệu vân tay ñược lưu
trong cơ sở dữ liệu máy tính.
2.2.2. Tại sao sử dụng ñặc tính sinh trắc học.
Một ñặc ñiểm lý tưởng của sinh trắc học ñược mô tả bởi giá trị ñặc trưng:
- Tính duy nhất cao- nghĩa là khả năng hai người bất kỳ có cùng ñặc ñiểm
sẽ là nhỏ nhất;
- Tính ổn ñịnh - Tức là ñặc trưng không bị thay ñổi qua thời gian, và
- Tính ñược giữ lại dễ ràng- Tức là ñưa ra sự thuận tiện cho người sử dụng
và hạn chế sự miêu tả sai về ñặc trưng.
Chính vì ñặc ñiểm trên mà các ñặc tính sinh trắc học ñược xem có tính bảo
mật và quản lý cao. Nó thuận tiện và dễ dàng tìm ra sự gian lận khi sử dụng. Sử
dụng ñặc tính sinh trắc học tốt hơn sử dụng password, mã PIN hoặc thẻ thông
minh. Bởi người sử dụng không cần phải nhớ các password, khi ñược nhận dạng
thì hệ thống yêu cầu sự xuất hiện vật lý của người ñược nhận diện. Mặt khác các
ñặc tính vật lý và hành vi là duy nhất khó có thể bị vay mượn, mất cắp hay bỏ
quên và cũng không thể ñể quên nó ở nhà. Chính vì những lý do ñó mà các ñặc
tính sinh trắc học ñược sử dụng ngày một nhiều.
2.3. Xác thc sinh trc hc
2.3.1. Hệ thống sinh trắc học
Hệ thống sinh trắc học sẽ tiến hành ghi nhận chứng thực người dùng của
bạn và lưu trữ tất cả những dữ liệu ñặc biệt này thành một mẫu nhận diện ñược
số hóa toàn phần. Về sau, mỗi khi bạn xuất hiện trước hệ thống, thiết bị ñọc
chuyên dụng sẽ quét nhanh tất cả những ñặc ñiểm sinh học này rồi kiểm tra
chúng với mẫu nhận diện tương ứng. Nếu hai mẫu này giống nhau, thì bạn sẽ
ñược cấp phép ñể ñi vào một khu vực hạn chế nào ñấy hoặc ñể truy xuất thông
tin trên máy tính.
Nguyên tắc hoạt ñộng của các hệ thống sinh trắc học là trước hết giữ lại
một mẫu ñặc trưng bằng thiết bị cảm biến, như là việc ghi một tín hiệu âm thanh
số cho nhận dạng giọng nói, hoặc chụp lại một ảnh màu dạng số cho nhận dạng
khuôn mặt. Mẫu này sau ñó biến ñổi bằng cách sử dụng một số hàm toán học ñể
trích chọn các ñặc trưng liên quan nhằm sinh ra một mẫu sinh trắc học. Mẫu sinh
trắc học ñưa ra chuẩn hoá, hiệu quả và chính xác cao về ñặc trưng ñược lưu trữ
trong cơ sở dữ liệu. Sau ñó chúng có thể ñược so sánh khách quan với các mẫu
khác ñể xác ñịnh nhận dạng. Hầu hết các hệ thống sinh trắc học cho phép hai
chế ñộ hoạt ñộng. Một chế ñộ kết nạp ñể thêm các mẫu vào cơ sở dữ liệu, và
7/63
một chế ñộ nhận dạng, trong ñó một mẫu ñược tạo ra cho một cá nhân và sau ñó
một mẫu thích hợp ñược tìm kiếm ñối với cơ sở dữ liệu của các mẫu ñã nạp vào
trước ñó.
Hình 2: Luồng xử lý cơ bản của một cấu trúc hệ thống sinh trắc học [11]
Phương pháp sinh trắc học có thể ñược chia làm hai loại: tiếp xúc và thụ
ñộng. Sinh trắc học tiếp xúc ñòi hỏi một cá nhân phải tương tác hoặc chạm vào
máy cảm biến qua bàn tay, khuôn mặt, mống mắt …. Sinh trắc học thụ ñộng thì
ngược lại, như chứng minh hoặc hộ chiếu sinh trắc…
8/63
và byte. Khi người ñặt ngón tay của họ trên một máy quét vân tay, vân tay trực
tiếp của họ sẽ ñược so sánh với bản ñồ số. Bản ñồ số này có thể ñược sử dụng ñể
nhận dạng một người song không thể ñược biến thành vân tay thực.
Công nghệ nhận dạng dấu vân tay hiện ñã ñược dùng khá phổ biến, nhưng
cũng có nhược ñiểm là ảnh hưởng bởi da khô, da ướt và ñặc biệt sẽ không chính
xác cao với người có tay hay tiếp xúc với hoá chất. Vì ñây là công nghệ nhận
dạng thông qua tiếp xúc trực tiếp, nên người người dùng có cảm giác mất vệ
sinh khi phải tiếp xúc với bộ phận mắt thần ñọc dấu vân tay.
Xác nhận giọng nói: Giọng nói cũng ñộc nhất vô nhị ñối với mỗi người.
Nhiều chuyên gia coi sinh trắc giọng nói là công nghệ rẻ tiền nhất và ít xâm
nhập sự riêng tư nhất vì người dùng chỉ cần nói qua micro ñể ñược nhận dạng.
Tương tự sinh trắc vân tay, xác nhận giọng nói tạo ra một bản ñồ số gồm các
ñỉnh và ñáy của giọng nói. Sau ñó, nó sẽ so sánh với giọng nói thực khi người
dùng thực hiện giao dịch hoặc ra vào công sở. Công nghệ nhận dạng giọng nói,
phù hợp với các dịch vụ trả lời tự ñộng, thông qua các call center, nhưng nhược ñiểm
của phương pháp này là tiếng ồn, không phù hợp với nơi công cộng ñông người.
Sinh trắc học khuôn mặt: Trong trường hợp này, bản ñồ số ñược tạo nên
từ hình dạng khuôn mặt hoặc hình dạng bàn tay. ðể ñược nhận dạng, người
dùng ñứng trước camera. Camera này ñọc các ñiểm trên khuôn mặt rồi so sánh
chúng với thông tin số trong cơ sở dữ liệu máy tính. Công nghệ nhận dạng
khuôn mặt có nhiều nhược ñiểm ảnh hưởng bởi cường ñộ ánh sáng, dáng ñứng,
mỹ phẩm (sử dụng trên mặt) và ñặc biệt trong các trường hợp song sinh giống nhau.
Sinh trắc hình học bàn tay: Là công nghệ sinh trắc
phổ biến nhất hiện nay. Người dùng cầm một vật thể ñọc
hình dạng bàn tay và so sánh với hình dạng mã hoá
trong cơ sở dữ liệu. Nó không ñọc vân tay hoặc các dấu
vết trên bàn tay mà chỉ ñọc chu vi, chiều dài, ñộ dày và
diện tích bề mặt của bàn tay rồi so sánh với dữ liệu sẵn có trong máy, sau ñó ñưa
ra câu trả lời "Có", hoặc "Không". Quá trình nhận dạng chỉ mất chưa tới 1 giây.
Các chuyên gia nói rằng các dạng công nghệ sinh trắc khuôn mặt và bàn
tay là ít hiệu quả nhất vì hình dạng của khuôn mặt và
bay tay có thể thay ñổi dễ dàng.
Sinh trắc mống mắt: Trong trường hợp này,
bản ñồ số về hình dạng mống mắt ñược tạo ra bằng
cách: Người dùng ñứng trước một camera và nó
chụp hình chớp nhoáng hoặc sử dụng laser ñể ñọc
9/63
mống mắt. Sau ñó, hình dạng mống mắt ñược so sánh với thông tin số ñã ñược
lưu trữ từ trước. ðược coi là công nghệ sinh trắc có ñộ chính xác cao nhất (chỉ
sau việc kiểm tra DNA), song nó cũng là công nghệ cần có sự hưởng ứng từ
người dùng và cũng chịu những ảnh hưởng ñến từ những hình thức bên ngoài
mắt người như kính mắt (ñặc biệt là ñối với loại kính áp tròng).
Chính vì ñây là ñặc trưng sinh trắc ñảm bảo tỷ lệ xác thực người dùng là
cao, thế nên những ứng dụng của việc nhận dạng màng mống mắt ngày càng
ñược ứng dụng rộng rãi, ñặc biệt trong lĩnh vực ñảm bảo xác thực ñúng người
trong các giao dịch tài chính, xác thực công dân tại cửa khẩu quốc tế, …
2.4. Kt lu n
Mống mắt là ñặc ñiểm sinh trắc học có “tính duy nhất” cao hơn hẳn các ñặc
ñiểm sinh trắc học khác như Vân tay, khuôn mặt, giọng nói … Do ñó nhận dạng
mống mắt là công cụ ñược sử dụng trong các hệ thống an ninh bảo mật rất hiệu
quả làm giảm tối ña tình trạng gian lận. ðây là một kỹ thuật ñược ngành an ninh
ñặc biệt quan tâm và ứng dụng. Nó ñược coi là công nghệ sinh trắc chính xác
nhất, có ñộ chính xác cao.
Với những phân tích ñó, trong luận văn này, chúng tôi hướng chủ yếu ñến
bài toán xây dựng quy trình xác ñịnh ñặc trưng phục vụ cho bài toán so khớp,
nhận dạng mống mắt. Từ ñó, ứng dụng trong lĩnh vực xác thực người dùng
thông qua ñặc trưng sinh trắc học này. Chương kế tiếp sẽ trình bày cụ thể những
kỹ thuật ñiển hình trong quá trình nhận dạng mống mắt.
10/63
CHƯƠNG III. NHẬN DẠNG MỐNG MẮT
3.1. Gii thiu
Mống mắt, nhìn từ bên ngoài, còn là một cơ quan bảo vệ kiểu biểu sinh duy
nhất của chúng và ổn ñịnh suốt cuộc sống trưởng thành. Các ñặc tính ñó làm nó
rất thu hút ñể sử dụng như một sinh trắc học ñối với việc nhận dạng các cá nhân.
Các kỹ thuật xử lý hình ảnh có thể ñược dùng ñể trích chọn kiểu mống mắt duy
nhất từ một ảnh số của mắt, và mã hoá nó thành một mẫu sinh trắc học, chúng
có thể ñược lưu trữ trong một cơ sở dữ liệu. Mẫu sinh trắc học ñó chứa một sự
miêu tả chính xác khách quan về thông tin duy nhất ñã lưu trữ trong mống mắt,
và cho phép so sánh tạo ra giữa hai mẫu. Khi một người muốn ñược nhận dạng
bởi một hệ thống nhận dạng mống mắt, mắt của họ trước hết ñược chụp và sau
ñó một mẫu tạo ra cho sự nhận dạng mống mắt của họ. Mẫu này sau khi ñược so
sánh với các mẫu khác ñã lưu giữ trong cơ sở dữ liệu tới khi hoặc là một mẫu
phù hợp ñược tìm ra và người ñó ñược nhận dạng, hoặc không mẫu phù hợp nào
ñược tìm thấy và người ñó vẫn không ñược nhận dạng.
So sánh với các công nghệ sinh trắc học khác, như nhận dạng khuôn mặt,
giọng nói và vân tay, nhận dạng mống mắt có thể dễ dàng ñược xem là hình thức
tin cận nhất của công nghệ sinh trắc học. Người ta ñã thống kê và ñưa ra ñược
bảng so sánh về ñộ chính xác và tin cậy của nhận dạng mống mắt so với các
công nghệ sinh trắc học khác như sau [8].
Tỷ lệ nhận
Phương thức Mẫu ñược phân tích Bảo mật Các ứng dụng
dạng sai
Nhận dạng ðiều kiện dễ dàng
Ảnh mống mắt 1/1,200,000 Cao
mống mắt bảo mật cao
Nhận dạng
Ảnh vân tay 1/1,000 Trung bình Phổ biến
vân tay
Nhận dạng Kích thước, chiều dài, ñộ ðiều kiện dễ dàng
1/700 Thấp
hình bàn tay dày, hình dáng bàn tay bảo mật thấp
Nhận dạng ðường nét, hình dáng và sự ðiều kiện dễ dàng
1/100 Thấp
khuôn mặt phân bổ của các mắt và mũi bảo mật thấp
Nhận dạng Hình dạng của các ký tự, ðiều kiện dễ dàng
1/100 Thấp
chữ ký trật tự viết, viết ñè… bảo mật thấp
Nhận dạng
ðoạn âm học 1/30 Thấp Dịch vụ ñiện thoại
giọng nói
11/63
Nhận dạng màng mống mắt là một quá trình nhận dạng một người bằng
cách phân tích mẫu ngẫu nhiên về mống mắt. Mống mắt là một cơ trong mắt mà
ñiều chỉnh kích thước ñồng tử, ñiều khiển số lượng ánh sáng vào mắt. Nó phân
chia màu mắt với màu sắc dựa trên số lượng sắc tố melatonin trong cơ. Các ñặc
tính của mống mắt ñược bảo vệ từ môi trường và khá ổn ñịnh so với các sinh
trắc học phổ biến khác. Các nghiên cứu sau này về nhận dạng mống mắt ngày
càng ñược cải tiến hơn. Ví dụ, thuật toán ñược phát triển bởi Daugman ñược
xem như là sự tiên tiến trong lĩnh vực nhận dạng mống mắt.
Vài năm sau sự công bố về thuật toán ñầu tiên của Daugman, các nghiên
cứu khác ñã phát triển và ñưa ra các thuật toán nhận dạng mống mắt mới. Hệ
thống ñược mô tả bởi Wildes, Boles và Boashash, Tisse, Zhu, Lim, Noh và Ma
là các thuật toán ñược biết ñến sau này [4]. Các thuật toán ñược phát triển bởi
Wildes và Boles phù hợp với các ứng dụng xác minh bởi sự chuẩn hóa mống
mắt ñược thực hiện trong quá trình ñối sánh và mất nhiều thời gian trong các
ứng dụng nhận dạng. Mặc dù các thuật toán ñã thành công, họ vẫn yêu cầu ñược
cải tiến về tỷ lệ ñộ chính xác và tốc ñộ ñã so sánh với thuật ñưa ra bởi Daugman.
Mặc dù thuật toán của Daugman có thể thực hiện nhanh và nhận dạng
chính xác về các mống mắt, một số chi tiết thuật toán không ñược công bố. Ví
dụ, việc chuẩn hoá mống mắt dựa trên sự biến ñổi cực yêu cầu một ñiểm tham
chiếu riêng là gốc cực. Tuy nhiên chi tiết về ñiểm tham chiếu này không ñược mô tả [5].
Nhìn chung, việc nhận dạng mống mắt ñược tiến hành qua các giai ñoạn
khác nhau. Giai ñoạn ñầu tiên của nhận dạng mống mắt là chính là quá trình
tách ra (cô lập) vùng mống mắt thực sự từ một ảnh chụp mắt người.
Mống mắt sẽ ñược xác ñịnh bằng cách sử dụng các ñặc trưng giới hạn. Các
ñặc trưng giới hạn và hình dạng khác nhau của mống mắt ñưa ra trong ảnh, cô
lập các ñặc trưng và trích trọn nó. Sự xác ñịnh mống mắt là một bước quan trọng
trong nhận dạng màng mống mắt bởi vì, nếu làm không ñúng cách, kết quả tạp
nhiễu (lông mi, ñồng tử, mí mắt , …) trong ảnh có thể dẫn tới kết quả thực hiện kém.
Vùng mống mắt, chỉ ra trong hình 3, có thể ñược tính xấp xỉ bởi hai vòng
tròn: một là vòng tròn ranh giới giữa mống mắt và màng cứng mắt, một vòng
tròn khác nằm bên trong cái thứ nhất là ranh giới giữa mống mắt và ñồng tử.
Các mí mắt và lông mi thông thường che các phần trên và dưới của vùng mống
mắt. Hơn nữa, sự phản chiếu ánh sáng có thể xảy ra trong vùng mống mắt làm
lỗi mẫu mống mắt. Một kỹ thuật yêu cầu phải tách ra và loại trừ các tác nhân ñó
cũng như việc ñịnh vị vòng tròn vùng mống mắt.
12/63
Hình 3: Các ñường trắng bao ngoài cho biết vị trí xác ñịnh của mống mắt và các giới hạn mí mắt [3]
Sự thành công của giai ñoạn này phụ thuộc vào chất lượng hình ảnh của
các ảnh mắt. Hơn nữa, những người có mống mắt với các sắc tố màu tối sẽ biểu
thị rất thấp sự tương phản giữa ñồng tử và vùng mống mắt nếu ảnh hoá dưới ánh
sáng tự nhiên, làm cho sự phân ñoạn khó khăn hơn. Giai ñoạn sự phân ñoạn
quyết ñịnh sự thành công của hệ thống nhận dạng mống mắt, từ ñó dữ liệu ñã
biểu thị sai thì dữ liệu mẫu mống mắt sẽ làm hỏng các mẫu sinh trắc học ñã tạo
ra, dẫn ñến các tỷ lệ không ñủ ñể nhận dạng.
3.2. Qui trình xác ñnh mng mt
3.2.1. Xác ñịnh vị trí mống mắt và ñồng tử
Bước này là ñể tìm ra ñường biên bên trong (giữa mống mắt và ñồng tử) và
ñường biên bên ngoài (giữa mống mắt và màng cứng) trong ảnh gốc chỉ ra trong hình 3.
Cả hai ñường ranh giới trong và ngoài của một mống mắt ñiển hình có thể
ñược ñưa ra xấp xỉ như các ñường tròn. Tuy nhiên hai ñường tròn này thường
không ñồng tâm, nhưng trong hệ thống này giả thiết chúng ñồng tâm tại tâm
ñồng tử.
Bằng cách dò tìm ñồng tử và mống mắt, hệ thống sẽ không thay ñổi ñối với
sự chuyển dịch. Kỹ thuật xác ñịnh vị trí ñã ñiều khiển khoanh vùng chính xác
vùng ñồng tử và mống mắt của cơ sở dữ liệu ảnh mống mắt có tỷ lệ thành công
lần lượt khoảng 100% và 98% [9,10]
[9] [10]
Hình 4 Ảnh mống mắt với các ñường ranh giới
13/63
Có nhiều phương pháp ñể xác ñịnh vị trí mống mắt vào ñồng tử. Trong
luận văn này sẽ giới thiệu một số phương pháp ñiển hình sau:
a. Biến ñổi Hough
Biến ñổi Hough là một thuật toán phân tích ảnh chuẩn mà có thể ñược sử
dụng ñể xác ñịnh các tham biến của các ñối tượng hình học ñơn giản như ñường
kẻ, ñường tròn biểu thị trong một ảnh. Sự biến ñổi ñường tròn Hough có thể
ñược sử dụng ñể ñưa ra bán kính và các toạ ñộ tâm của vùng ñồng tử và mống mắt.
Một thuật toán phân ñoạn tự ñộng dựa trên sự biến ñổi ñường tròn Hough
ñược sử dụng bởi Wildes, Kong vừ Zhang, Tise, và Ma [4] sử dụng biến ñổi
Hough ñể xác ñịnh vị trí các mống mắt. Phương pháp xác ñịnh vị trí cũng tương
tự như phương pháp của Daugman là dựa trên ñạo hàm bậc nhất của ảnh. ðầu tiên,
lược ñồ cạnh ñược sinh ra bằng sự tạo ngưỡng ñộ lớn về gradient cường ñộ ảnh [4]:
∇ G ( x, y ) * I ( x , y ) (1)
( x − x0 ) 2 + ( y − y 0 ) 2
1 −
Trong ñó ∇ ≡ (δ/δx, δ/δx) và G(x,y)= e 2σ 2
. G(x,y) là hàm
2πσ 2
làm nhẵn Gaussian với tham biến tỷ lệ δ ñể lựa chọn phân tích tỷ lệ cạnh chính xác.
Từ lược ñồ cạnh quyết ñịnh khoảng cách Hough ñối với các tham biến của
vòng tròn ñi qua mỗi ñiểm cạnh. Các tham biến là các toạ ñộ tâm xc , yc và bán
kính r, chúng có thể xác ñịnh bất cứ vòng tròn nào theo phương trình (theo [10]):
x c2 + y c2 − r 2
= 0 (2)
Giá trị lớn nhất trong khoảng cách Hough sẽ tương ứng với bán kính và các
toạ ñộ tâm của vòng tròn ñã xác ñịnh tốt nhất bởi các ñiểm cạnh (biên). Nếu coi
các ñiểm cạnh là (xj, yj) , j = 1, 2, …, n, biến ñổi Hough có thể ñược viết là:
n
H ( xc , yc , r ) = ∑ h( x j , y j , xc , yc , r ) (3)
j =1
1 if g(x j , y j , xc , yc , r) = 0
Trong ñó: h( x j , y j , xc , yc , r ) = (4)
0
Các ñường giới hạn và ñồng tử cả hai ñược mô hình hoá là các ñường tròn
và hàm tham số g ñược ñịnh nghĩa như sau:
g ( x j , y j , xc , yc , r ) = ( x j − xc ) 2 + ( y j − yc ) 2 − r 2 (5)
Giả thiết rằng một ñường tròn có tâm (xc,yc) và bán kính r, các ñiểm cạnh
ñược xác ñịnh qua ñường tròn kết quả với hàm có giá trị 0. Giá trị của g sau ñó
14/63
biến ñổi thành 1 bởi hàm h mà nó thể hiện dạng cục bộ của ñường viền. Các
dạng cục bộ sau ñó ñược sử dụng trong thủ tục sử dụng biến ñổi Hough, H, ñể
xác ñịnh ñồng tử và các ñường ranh giới riêng biệt. ðể dò tìm ñường ranh giới
chỉ thông tin cạnh dọc ñược sử dụng. Các phần trên và dưới, mà chứa thông tin
cạnh ngang, thường bị che bởi các mí mắt. Thông tin cạnh ngang ñược sử dụng
cho việc dò tìm các mí mắt trên và dưới, chúng ñược mô hình hoá như là các
cung parabol.
Wildes và Kong và Zhang [10] lợi dụng sự biến ñổi Hough dạng parabol
ñể tìm ra mi mắt xấp xỉ các mi mắt trên và dưới ứng với các cung parabol chúng
ñược biểu thị như sau:
(− (x − h )sinθ + (y − k )cosθ )
j j j j
2
= a j ((x − h j ) cosθ j + ( y − k j )sinθ j )
2
(6)
Trong ñó aj ñiều chỉnh ñộ cong, (hj,kj) là ñỉnh parabol và θj là góc quay liên
quan trục x.
Sự thực hiện thứ tự bước tìm ra cạnh, Wildes sử dụng ñạo hàm theo chiều
ngang ñối với việc tìm ra các mí mắt, và theo chiều dọc ñối với việc tìm ra ranh
giới vòng tròn ngoài của mống mắt, ñiều này ñược minh hoạ hình 5, ở ñây các
mí mắt thường ñược căn theo chiều ngang, và hơn nữa bản ñồ cạnh mí mắt sẽ
làm hỏng bản ñồ cạnh ranh giới vòng tròn mống mắt nếu sử dụng toàn bộ dữ
liệu Gradien. Chỉ ñưa ra các gradien dọc cho việc xác ñịnh vị trí ranh giới mống
mắt sẽ giảm bớt sự ảnh hưởng của các mí mắt khi thực hiện biến ñổi ñường tròn
Hough, và không phải tất cả các ñiểm ảnh cạnh (pixel) xác ñịnh vòng tròn là bắt
buộc cho sự ñịnh vị thành công. Như vậy ñiều này làm sự xác ñịnh vòng tròn
chính xác hơn, hiệu quả hơn trong khoảng cách Hough.
Ảnh gốc Bản ñồ cạnh Bản ñồ cạnh theo Bản ñồ cạnh theo
chiều ngang chiều dọc
a b c d
Hình 5: a-Một hình ảnh mắt từ cơ sở dữ liệu CASIA; b-Bản ñồ cạnh tương ứng;
c-Bản ñồ cạch chỉ có các grañien ngang; d-Bản ñồ cạch chỉ có các grañien dọc[7].
15/63
Có một số hạn chế với phương pháp biến ñổi Hough:
- Trước hết, nó yêu cầu các giá trị ngưỡng (giới hạn) ñược chọn ñể tìm ra
cạnh, và ñiều này có thể dẫn ñến các ñiểm cạnh tới hạn ñang bị loại bỏ, kết quả
tìm ra các vòng tròn/cung tròn bị sai.
- Thứ hai, sự biến ñổi Hough chuyên về tính toán nhờ phương pháp “brute-
force” của nó, và vì thế có thể không phù hợp cho các ứng dụng thời gian thực.
b. Toán tử vi phân toàn bộ của Daugman
Daugman sử dụng một toán tử vi phân toàn bộ cho sự xác ñịnh vị trí vòng
tròn mống mắt và các vùng ñồng tử, hơn nữa là các cung của mí mắt trên và mí
mắt dưới. Toán tử giả thiết rằng ñồng tử và các ñường giới hạn của mống mắt
các ñường viền tròn và thực hiện như một bộ dò tìm cạnh ñường tròn. Toán tử vi
phân toàn bộ ñược xác ñịnh như sau [4]:
∂ I ( x, y )
max ( r , x , y ) Gσ ( r ) *
0 0 ∫
∂r r , x , y 2πr
0 0
ds (7)
Trong ñó I(x,y) là ảnh mắt, r là bán kính ñể tìm kiếm, Gσ(r) là một hàm
làm nhẵn (làm mịn) Gaussian, và s là ñường tròn ñưa ra bởi r, x0, y0 . Ở ñó, Toán
tử tìm kiếm ñường tròn có sự thay ñổi lớn nhất các giá trị ñiểm ảnh, bởi sự biến
thiên của bán kính và vị trí tâm x và y của ñường tròn. Toán tử ñược áp dụng lặp
lại với số lượng hàm làm nhẵn ngày một giảm ñi ñể ñạt ñược sự xác ñịnh vị trí
một cách chính xác. Sự dò tìm các mí mắt trên và dưới cũng ñược thực hiện bởi
toán tử vi phân toàn bộ bằng cách ñiều chỉnh ñường viền thay thành một cung .
Vi phân toàn bộ có thể ñược xem như một biến thể của sự biến ñổi Hough,
vì nó cũng lợi dụng ñạo hàm bậc nhất của ảnh và thực hiện một phép tìm kiếm
ñể tìm ra các tham số hình học. Từ ñó thực hiện với các thông tin ñạo hàm ban
ñầu (ñạo hàm thô), nó không bị các vẫn ñề về giới hạn của sự biến ñổi Hough.
Tuy nhiên, thuật toán có thể thất bại ở ñó có tạp nhiễu trong ảnh mắt, ví dụ như
sự phản chiếu ánh sáng, vì nó chỉ thực hiện trên một tỷ lệ cục bộ (tỷ lệ quỹ tích).
c. Các biến ñổi Fourier rời rạc hai chiều- 2D DFT (Two-Dimensional Discrete
Fourier Transforms)[1]
ðể tìm ra ñường biên bên trong (mống mắt/ñồng tử) và ñường biên bên
ngoài (mống mắt/màng cứng) trong ảnh gốc forg(m1,m2) chỉ ra trong hình 6. Qua
một tập hợp các thí nghiệm, quyết ñịnh sử dụng một Elíp như một kiểu ñường
biên trong. ðặt (l1, l2) là chiều dài hai trục chính của Elíp, (c1, c2) là tâm của nó,
và θ là góc quay. Bây giờ cần tìm ra sự ñánh giá tối ưu (l1, l2, c1, c2, θ) cho
ñường biên bên trong là lớn nhất theo khác nhau về giá trị tuyệt ñối:
16/63
S (l1 + ∆l1 , l2 + ∆l2 ,c ,c ,θ ) − S (l1 , l2 , c1 , c2 ,θ )
1 2
(8)
Ở ñây, ∆l1, ∆l2 là các hằng số nhỏ, và S biểu thị N ñiểm ñường viền - tổng
cộng các giá trị ñiểm ảnh dọc theo Elíp ñược xác ñịnh là:
N −1
S (l1 , l2 , c1 , c2 ,θ ) = ∑ f org ( p1 (n), p2 (n)) (9)
n =0
2π 2π
Trong ñó p1(n) = l1cosθ. Cos( n ) - l2sinθ. sin( n ) + c1 và p2(n) = l1sinθ.
N N
2π 2π
cos( n ) - l2cosθ. sin( n ) + c2 . Do ñó sẽ tìm ra ñường biên bên trong như
N N
elíp trên, ảnh cho thấy có sự thay ñổi ñột ngột về ñộ chói tổng theo chu vi của
nó. ðể giảm bớt thời gian tính toán, tập tham biến (l1, l2, c1, c2, θ) có thể ñược
ñơn giản hoá phụ thuộc vào các ảnh mống mắt. Mặt khác, ñường biên bên ngoài
ñược tìm ra theo cách tương tự, với tổng ñường viền ñã thay ñổi từ elíp thành
ñường tròn (nghĩa là l1 = l2).
Hình 6: Ảnh mống mắt. a) Ảnh gốc forg(m1, m2); b) Ảnh chuẩn hoá;
c) Ảnh chuẩn hoá với mạng che mí mắt f(n1, n2) [1]
d. Mô hình ñường viền tròn ñộng rời rạc (Discrete Circular Active Contour)
Ritter ñề xuất mô hình ñường viền ñộng cho sự xác ñịnh vị trí ñồng tử
trong ảnh mắt. Mô hình dò tìm ñồng tử và giới hạn bằng việc kích hoạt và ñiều
khiển ñường viền ñộng sử dụng hai ñịnh nghĩa tác ñộng: nội lực và ngoại lực.
Các tác ñộng bên trong là nguyên nhân làm giãn ñường viền thành một ña giác
ñầy ñủ với δ lớn hơn bán kính trung bình của ñường viền. Nội lực Fint,i tính cho
mỗi ñỉnh Vi ñược ñịnh nghĩa như sau [4]:
F int, i = V i − V i (10)
Trong ñó Vi là vị trí mong muốn của ñỉnh trong ña giác ñầy ñủ. Vị trí của Vi
có thể ñạt ñược về Cr , bán kính trung bình ñường viền hiện tại, và tâm ñường
viền, C = (Cx , Cy ). Tâm của ñường viền ñược xác ñịnh như sau:
17/63
1 n
C = ( xc , yc ) = ∑Vi
n i =1
(11)
Là vị trí trung bình của tất cả các ñỉnh ñường viền. Bán kính trung bình của
ñường viền ñược ñịnh nghĩa như sau:
1 n
Cr = ∑ Vi − C (12)
n i =1
Là khoảng cách trung bình của tất cả các ñỉnh từ vị trí tâm ñã xác ñịnh. Vị
trí các ñỉnh của ña giác ñầy ñủ sau ñó ñược tính:
Vi = (C x + (C r + δ ) cos( 2πi / n ), C y + (C r + δ ) sin( 2πi / n )) (13)
Trong ñó I(Vi) là mức xám của lân cận gần nhất với Vi . F̂ ext, i là hướng của
ngoại lực ñối với mỗi ñỉnh và ñược ñịnh nghĩa như là véc tơ ñơn vị:
) C − Vi
Fext ,i = (16)
C − Vi
Vì vậy, ngoại lực ñối với n ñỉnh có thể ñược viết như sau:
)
Fext ,i = Fext ,i Fext ,i (17)
Sự chuyển ñộng của ñường viền dựa trên sự tổng hợp của các nội lực và
ngoại lực qua các ñỉnh ñường viền. Sự thay thế của mỗi ñỉnh ñược lặp lại bởi:
Vi (t + 1) = Vi (t ) + βFint,i + (1 − β ) Fext ,i (18)
Trong ñó β là một trọng lượng ñã ñược xác ñịnh mà kiểm soát tốc ñộc
chuyển ñộng ñường viền và thiết lập các ñiều kiện cân bằng của các nội và ngoại
lực. ðường viền tròn ñộng rời rạc sau ñó ñược di chuyển dưới các tác ñộng phản
18/63
chiếu bên trong và bên ngoài tới khi nó tìm ra trạng thái cân bằng. Trạng thái
cân bằng cuối cùng ñạt ñược khi bán kính trung bình và tâm của ñường viền trở
thành một với m lần lặp và ñồng tử ñược xác ñịnh.
Hình 7: Các nội, ngoại lực của ñường tròn viền ñộng rời rạc[4]
3.2.2. Sự dò tìm các mí mắt và ñường viền (limbus): thuật toán lặp
Các mí mắt và lông mi thường che các phần trên và dưới của vùng mống
mắt. Do ñó chúng ta cần sử dụng một kỹ thuật nào ñó ñể tách biệt chúng.
Một thuật toán lặp ñược phát triển ñể xác ñịnh vị trí chính xác các mí mắt
và ñường rìa (limbus). Phương pháp trích chọn sử dụng toán tử vi-tích phân ñể
dò tìm các ñường ranh giới. Sự dò tìm một mí mắt dựa trên các ñường viền elíp
mà ñược mô hình hoá bởi dạng hình cầu của một cầu mắt và ñường cong mí mắt
mong muốn với ñộ mở của mắt khác nhau.
Trong các ảnh hồng ngoại gần ñã cung cấp bởi viện tự ñộng hoá, học viện
khoa học Trung Quốc (CASIA), các ñường rìa ranh giới sự tương phản không
ñầy ñủ do ñó các kỹ thuật tìm kiếm chung như toán tử vi tích phân là phù hợp
hơn quá trình trích chọn. Tuy nhiên, thậm chí các phương pháp tìm kiếm chung
có thể cho kết quả dò tìm sau bởi các tạp nhiễu như các ñường biên rõ ràng của
các mí mắt trên và dưới.
Thuật toán ñã phát triển lặp lại tìm kiếm cho các ranh giới mống mắt và các
mí mắt và loại ra các vùng mí mắt ñã tìm thấy cho bước lặp tiếp theo. Quá trình
này ñược thiết kết với tâm ñồng tử là ñiểm tham chiếu và ñược thực biện bằng
việc loại bỏ các giá trị ñiểm ảnh ở ñó bán kính của ñường rìa lớn hơn bán kính
của hoặc mi mắt trên hoặc mi mắt dưới. ðiều kiện này che ñánh dấu các vùng ở
ñó mống mắt bị che kín bởi hai mí mắt và quá trình này ñược lặp lại cho tới khi
kết quả tìm kiếm hội tụ về một tâm và bán kính cố ñịnh ñối với ñường rìa.
19/63
3.2.3. Dò tìm các lông mi: phân loại MAP với tiêu chuẩn liên kết
Các lông mi có thể bít phần trên và phần dưới của mống mắt. Chúng ta có
thể sử dụng kỹ thuật ñơn giản nào ñó ñể tách biệt chúng.
Việc dò tìm các lông mi yêu cầu sự lựa chọn ñúng các ñặc trưng và qui
trình phân lớp do tính phức tạp và ẩu của các mẫu. Sự xác ñịnh các lông mi ñã
ñưa ra bởi Kong và Zhang [4]. Ở ñây các lông mi ñược xem như thuộc hai kiểu:
các lông mi tách rời ñược (chúng ñược tách rời ra trong ảnh), và các lông mi bội
(chúng ñược bó lại cùng nhau và chồng lên nhau trong ảnh mắt) và áp dụng hai
thuật toán trích chọn ñặc trưng khác nhau ñể dò tìm các lông mi. Một bộ lọc
Gabor dạng 1D ñể dò tìm các lông mi tách rời ñược và sự khác nhau về cường
ñộ ñược lựa chọn cho việc dò tìm nhóm lông mi bội. Hai ñặc trưng kết hợp với
một tiêu chuẩn liên kết sẽ dẫn ñến quyết ñịnh hiện diện của các lông mi. Thêm
vào ñó, một phương pháp dò tìm lông mi cũng ñược ñưa ra bởi Hung[4]. Mà sử
dụng thông tin cạnh ñã thu ñược bởi pha tương ñồng của một dãy các bộ lọc
Log-Gabor. Thông tin cạnh cũng truyền thông tin vòng ñể xác ñịnh vị trí các
vùng tạp nhiễu.
Một thuật toán dò tìm lông mi ñược phát triển bằng cách sử dụng các
cường ñộ mức xám của ảnh kết hợp với một tiêu chuẩn liên kết. Các giá trị
cường ñộ mức xám ñược lựa chọn như các ñặc trưng và sự dò tìm dựa trên một
sự phân loại MAP thứ cấp ñã thiết kế.
Giới hạn MAP ñạt ñược bởi việc ñánh giá biểu ñồ cấu trúc mống mắt và
biểu ñồ của các lông mi. Biểu ñồ của mống mắt và các lông mi ñược mô hình
hoá như sự phân bổ Gaussian, mà giá trị trung bình và sự khác nhau của chúng
ñược ñánh giá. Biểu ñồ kết cấu mống mắt ñược ñánh giá từ mống mắt ñã ñược
xác ñịnh vị trí. Tuy nhiên, các lông mi mà bao trùm kết cấu ảnh hưởng biểu ñồ
của mống mắt ñể loại ra sự ảnh hưởng của các lông mi, giá trị cực ñại của biểu
ñồ thu ñược coi nhu là giá trị trung bình kết cấu mống mắt. Sự khác nhau sau ñó
ñược ñánh giá chỉ từ các giá trị của biểu ñồ mà lớn hơn giá trị trung bình ñể loại
ra sự ảnh hưởng của các lông mi trùm lên mống mắt.
Giá trị trung bình và sự khác biệt của biểu ñồ các lông mi ñược ñánh giá
theo cách tương tự như mống mắt với sự khác nhau về về vùng bên ngoài mống
mắt ñã xác ñịnh. Trong các ảnh ñược cung cấp bởi CASIA, vùng ñồng tử và các
lông mi có giá trị cường ñộ thấp nhất. Nghĩa là giá trị của một mống mắt cao
hơn hai vùng này và giá trị trung bình phần còn lại của ảnh cao hơn giá trị trung
bình của kết cấu mống mắt. Xét về giả ñịnh là ñúng với mọi ảnh, giá trị trung
bình của các lông mi ñược xác ñịnh như là lớn nhất cục bộ mà tìm thấy thấp hơn
20/63
giá trị trung bình mống mắt 2σ. Sự xác giá trị trong bình của các lông mi ñược
dựa trên một quá trình thử và lỗi ñể ngăn chặn các giá trị ñạt ñược mà biểu thị
kết cấu mống mắt. Sự khác biệt của các lông mi sau ñó ñược ñánh giá sử dụng
chỉ các giá trị mà ít hơn giá trị trung bình ñã ñánh giá cho tất cả các vùng mà tối
hơn giá trị trung bình ñã ñánh giá liên quan ñến lông mi trong ảnh mống mắt.
Kỹ thuật ñánh giá khác nhau ñược thiết kế ñể loại ra sự ảnh hưởng của tạp nhiễu
trong quá trình ñánh giá biểu ñồ. Hình minh hoạ các biểu ñồ mống mắt và lông
mi ñã ñược ñánh giá và ngưỡng MAP.
Hình 8: Biểu ñồ ñã ñược ñánh giá mống mắt và lông mi và ngưỡng MAP[4]
Ngưỡng MAP ñạt ñược bởi các biểu ñồ ñã ñánh giá và sự dò tìm lông mi
ñược thực hiện bởi một sự phân lớp thứ cấp sử dụng một tiêu chuẩn liên kết.
Thuật toán phân lớp là một qua trình phát triển vùng. Vùng ban ñầu của kết cấu
mống mắt ñạt ñường bởi việc giới hạn ảnh ñã xác ñịnh bằng giá trị trung bình ñã
ñánh giá về kết cấu mống mắt và việc áp dụng tiêu chuẩn liên kết. Vùng ñược
kết nối lớn nhất mà giá trị lại lớn hơn giá trị trung bình sau ñó ñược lựa chọn là
vùng mống mắt gốc (vùng khởi tạo). Vùng khởi tạo của các lông mi cũng ñược
xác ñinh theo phương pháp tương tự. Vùng ñược kết nối lớn nhất mà giá trị lại ít
hơn giá trị trung bình của các lông mi ñược lựa chọn là vùng lông mi gốc (vùng
khởi tạo). Quá trình phát triển vùng sau ñó ñược thiết kế dựa trên ngưỡng ảnh và
kiểm tra tiêu chuẩn liên kết theo cách mà sự phân lớp của hai vùng sẽ vùng khởi
tạo của các lông mi cũng ñược xác ñinh theo cách mà sự phân lớp của hai vùng
vươn tới và quan ngưỡng MAP tại cùng thời ñiểm
Như vậy, nếu các giá trị thay ñổi về cường ñộ trong một khung(cửa sổ) nhỏ
thấp hơn một giới hạn ngưỡng thì tâm của khung ñược xem như một ñiểm thuộc
một lông mi. Mô hình Kong và Zhang [4] cũng lợi dụng tiêu chuẩn kết nối, bởi
21/63
mỗi ñiểm thuộc lông mi có thể kết nối tới một ñiểm khác thuộc lông mi hoặc mí
mắt. Các phản chiếu dọc theo ảnh mắt ñược tìm ra bằng việc sử dụng giới hạn vì
các giá trị cường ñộ tại các vùng ñó cao hơn tại bất kỳ vùng khác trong ảnh.
3.2.4. Trích chọn vùng quan tâm
Sau khi lấy ñược ảnh mống mắt, vùng mống mắt sẽ ñược trích chọn một
cách chính xác từ ảnh ñó. Việc dò tìm ñường biên bên trong mống mắt giáp
ñồng tử và ñường biên bên ngoài của mống mắt giáp với màng cứng của mắt
hoàn tất quá trình xử lý.
Cả hai ñường viền của mống mắt ñược xác ñịnh xấp xỉ bởi một ñường tròn
xấp dựa trên giả thuyết rằng chúng làn các hình tròn. Sự xác ñịnh hình tròn,
chính xác các ñường biên trong/ngoài của mống mắt sau khi thực hiện xử lý trên
ảnh mống mắt hoặc sự thay ñổi (phép biến ñổi vòng) mà nó ñược sử dụng ñể trải
rộng cho sự dò tìm của ñường thẳng dạng tương tự. Nói chung, phép dò tìm
cạnh ñường tròn thường ñược sử dụng. Tuy nhiên, ñường bao ngoài của mống
mắt có thể không có dạng ñường tròn. Hiện tại có rất nhiều kỹ thuật ñang ñược
sử dụng cho sự dò tìm chính xác hơn về mống mắt, và ñược giới thiệu trong các
luận văn, luận án khác.
Sau khi xác ñịnh rõ các giới hạn về mống mắt theo giai ñoạn trước (bước
trên), mống mắt ñược tách ra và lưu trữ thành một ảnh riêng biệt. Ta có thể chia
vùng vòng mống mắt thành 3 vùng tương ñương: Z1, Z2 và Z3 theo cấu trúc ñầy
ñủ nhất của nó. Vùng trong cùng nhất Z1 tương ứng vùng ñồng tử với cấu trúc
nhiều tia; vòng nhỏ thích hợp nhất xuất hiện ở giữa là Z2, và có thể xuất hiện
một số lõm gần vòng nhỏ; vùng ngoài cùng Z3, tương ñương với vùng mao
mạch; là bằng phẳng trong cấu trúc và chứa ít thông tin nhất cho nhận dạng.
Bởi vì vòng tròn ngoài của mống mắt gần như không ñổi, nhưng vòng tròn
bên trong (bao quanh ñồng tử) sẽ thay ñổi với kích thích bên ngoài, bởi vật tâm
của vòng tròn bên ngoài ñược dùng như gốc ñể chia vùng mống mắt. Mặc dù
các ñường bao quanh của Z2 và Z3 là các ñường tròn ñồng tâm, nhưng ñường
bao quanh của Z1 không phải luôn ñồng tâm.
ðiều này cho thấy chỉ phần bên trái (-π/4, π/4) và phần bên phải (3π/4,
5π/4) của vùng Z2 và Z3 ñược sử dụng bởi chúng gần như không ảnh hưởng bởi
các lông mi và mí mắt.
22/63
Hình 9: Vùng mống mắt ñược phân chia thành 3 vùng[12]:
a.Ảnh gốc, b.Ảnh mống mắt ñược chia làm 3 vùng,
c. Các vùng quan tâm, d.Ảnh tách ra của 3 vùng mống mắt.
24/63
Việc ánh xạ lại vùng mống mắt từ hệ toạ ñộ ðê-các-tơ (x,y) thành sự mô tả
cực không ñồng tâm ñã chuẩn hoá ñược mô hình hóa như sau:
I(x(r,θ), y(r,θ)) -> I(r,θ) (19)
Với: x(r,θ) = (1-r)xp(θ) +rxt(θ)
y(r,θ) = (1-r)yp(θ) +ryt(θ)
Trong ñó I(x,y) là ảnh vùng mống mắt, (x,y) là các toạ ñộ ðê-các-tơ ban
ñầu, (r,θ) là các toạ ñộ cực chuẩn hoá tương ứng, và xp, yp và xt, yt là các toạ ñộ
của các ñường biên ñồng tử và mống mắt theo hướng θ. Mô hình tấm cao su ñưa
vào tính toán sự giãn dồng tử và không ñồng nhất kích thước ñể ñưa ra một biểu
diễn chuẩn hoá với kích cỡ không ñổi. Theo cách này, vùng mống mắt ñược mô
hình hoá như một tấm cao su dẻo cố ñịnh (neo) tại ranh giới mống mắt với tâm
ñồng tử như ñiểm tham chiếu.
Dù mô hình tấm cao su ñồng nhất tính toán cho sự giãn ñồng tử, khoảng
cách ảnh, sự dịch chuyển ñồng tử không ñồng tâm, ñiều này không bù cho sự
quay vòng không ñông nhất. Trong hệ thống Daugman, sự xoay vòng ñược xem
xét suốt quá trình so sánh bằng cách dịch chuyển các mẫu mống mắt theo chiều
θ cho tới khi hai mẫu mống mắt ñược căn thẳng hàng.
b. ðăng ký hình ảnh của Wilde
Hệ thống Wildes [7] ứng dụng kỹ thuật ñăng ký ảnh, mà về phương diện
hình học biến ñổi một hình ảnh mới thu ñược Ia(x,y) thành chuẩn hoá với một
ảnh dữ liệu ñã lựa chọn Id(x,y). Khi chọn một chức năng ánh xạ lại
(u(x,y),v(x,y)) ñể biến ñổi các toạ ñộ gốc, các giá trị cường ñộ hình ảnh của ảnh
mới ñược thực hiện gần tới các ñiểm tương ứng trong ảnh tham chiếu. Chức
năng ánh xạ lại phải ñược chọn ñể ñạt cực tiểu (nhỏ nhất).
∫ ∫ (I d ( x, y ) − I a ( x − u , y − u )) 2 dxdy (20)
x y
Trong khi ñó sự ràng buộc ñể giữ lại sự biến ñổi ñồng dạng của các toạ ñộ
ảnh (x,y) thành (x’,y’), ñó là
x' x x
= − sR (φ ) (21)
y' y y
với s - một nhân tố co giãn và R(φ) một ma trận miêu tả sự quay vòng (luân
chuyển) theo φ. Sự thực hiện ñưa ra một cặp hình ảnh mống mắt Ia và Id, các
tham biến ánh xạ s và φ ñược lấy lại qua một thủ tục lặp tìm giá trị nhỏ nhất.
25/63
c. Phương pháp chuẩn hoá phi tuyến tính
Phương pháp trải rộng ñược ñưa ra bởi Daugman giả thiết rằng các mẫu
mống mắt ñược phân bổ thẳng theo chiều bán kính, mà cho phép thủ tục vẽ lại
thành khoảng [0 1]. Kỹ thuật này dựa trên 2 nhân tố chính:
1. Quá trình thu nhận ảnh ñiều chỉnh kích thước ñồng tử tới một phạm vi
bán kính thích hợp bằng việc ñiều chỉnh sự chiếu sáng.
2. Quá trình trích chọn ñặc trưng ñược áp dụng cục bộ tới nhiều vị trí khác
nhau của kết cấu mống mắt, mà bù lại sự biến ñổi phi tuyến tính cục bộ.
Phương pháp chuẩn hoá phi tuyến tính ñã ñưa ra bởi Yuan và Shi [4] coi
mỗi ñộng thái phi tuyến tính của các mẫu mống mắt dẫn ñến sự thay ñổi kích
thước ñồng tử. ðể trải rộng một vùng mống mắt thích hợp, một mô hình phi
tuyến tính và mô hình chuẩn hoá tuyến tính ñược phối hợp với nhau. Mô hình
phi tuyến tính mà áp dụng ñầu tiên tới ảnh mống mắt dựa trên 3 sự giả thiết.
1. Rìa ñồng tử và gốc mống mắt (tương ứng với các ñường bao trong và
ngoài của mống mắt) là ñường tròn ñồng tâm
2. Rìa của ñồng tử quay không ñáng kể trong khi kích thước của ñồng tử thay ñổi.
3. Hình dáng của ñồng tử không thay ñổi và giữ nguyên dạng hình tròn khi
kích thước ñồng tử thay ñổi.
Mô hình phi tuyến tính ñược xác ñịnh bằng các cung ảo mà ñược ñặt tên là
“fibers”, kết nối 1 ñiểm trên ñồng tử với một ñiểm trên ñường rìa. Góc cực ñã ñi
qua bởi cung giữa hai ñiểm là π/2. Cung ảo ñược xác ñịnh dựa trên kích thước
ñồng tử ñã chuẩn hoá ñể một giá trị cố ñịnh sử dụng một cung ñã ñịnh nghĩa
trước λref mà thu ñược bằng giá trị trung bình của tất cả các giá trị λ ñã xác ñịnh
là λ = r/R theo dữ liệu mống mắt. r và R theo thứ tự biểu thị cho bán kính ñồng
tử và ñường rìa. Vùng hình khuyên tham chiếu với λref sau ñó ñược vẽ thẳng
thành khối chữ nhật với kích thước cố ñịnh m x n bởi mẫu bằng nhau m ñiểm
trong mỗi ñường tròn mẫu liên kết ảo sự phân giải bán kính cố ñịnh.
Theo ñánh giá của các tác giả , mô hình phi tuyến tính vẫn ñơn giản cơ chế
sinh lý thực của sự biến thiên mống mắt và thêm nữa sự giả ñịnh và các phép
xấp xỉ ñược yêu cầu ñể hỗ trợ cho mô hình. Mô hình tin cậy, rõ ràng chỉ ra ñộng
thái phi tuyến của các cấu trúc mống mắt nhờ ñó ñạt ñược cải tiến trong các thí nghiệm.
d. Sự thực hiện chuẩn hoá
Hầu hết các phương pháp chuẩn hoá trong các thuật toán ñã ñưa ra biến ñổi
ảnh mống mắt từ toạ ñộ ðề các sang hệ toạ ñộ cực. Dựa trên sự phân tích về các
26/63
phương pháp ñã ñưa ra. ðể chuẩn hoá các vùng mống mắt một kỹ thuật dựa trên
mô hình tấm cao su của Daugman ñược phát triển. Tâm của ñồng tử ñược coi
như ñiểm tham chiếu, và các véc tơ bán kính qua vùng mống mắt, như ñã chỉ ra
trong hình 10. Một số các ñiểm dữ liệu ñược lựa chọn dọc theo mỗi ñường bán
kính và ñiều này ñược xác ñịnh như ñộ phân giải bán kính. Số các ñường bán
kính chạy quanh vùng mống mắt ñược xác ñịnh như ñộ phân giải góc. Từ ñó
ñồng tử có thể là không ñồng tâm ñối với mống mắt, một công thức vẽ lại biểu
ñồ là cần thiết ñể thay ñổi tỷ lệ các ñiểm phụ thuộc góc quanh vòng tròn. ðiều
này ñưa ra bởi:
r ' = α β ± αβ 2 − α − r1
2
(22)
với:
α = ox2 + oy2
o
β = cos π − arctan y − θ
ox
r1 = bán kính mống mắt;
Trong ñó sự thay ñổi tâm ñồng tử liên quan tới tâm của mống mắt ñược ñưa
ra bởi ox, ox và r’là khoảng cách giữa cạnh của ñồng tử và cạnh của mống mắt tại
một góc, θ quanh vùng ñó, và r1 là bán kính của mống mắt. Công thức ánh xạ lại
trước hết ñưa ra bán kính của vùng mống mắt “doughnut- vành khăn” là một
hàm của góc θ.
Một số lượng không ñổi các ñiểm ñược chọn dọc theo ñường bán kính ñể
số lượng cố ñịnh các ñiểm dữ liệu bán kính lấy ñược, không kể bán kính hẹp hay
rộng, tại một góc riêng biệt. Mẫu chuẩn hoá ñược tạo bởi sự quay lui ñể tìm ra
toạ ñộ ðề các tơ của các ñiểm dữ liệu từ vị trí bán kính và vị trí góc trong mẫu
chuẩn hoá. Từ vùng mống mắt “vành khăn” sự chuẩn hoá ñưa ra một mảng 2
chiều với chiều ngang là ñộ phân giải góc và chiều dọc là ñộ phân giải bán kính.
Một mảng 2 chiều khác ñược tạo ra ñể ñánh dấu sự phản chiếu, lông mi, mí mắt
ñã tìm ra trong từng giai ñoạn. ðể ngăn chặn dữ liệu vùng không phải mống mắt
do miêu tả chuẩn hoá sai, các ñiểm dữ liệu tìm thấy dọc theo ñường biên ñồng tử
hoặc ñường biên mống mắt ñược loại bỏ. Như trong mô hình tấm cao su của
Daugman, việc gỡ bỏ sự trái nhau luân chuyển ñược thực hiện tại giai ñoạn so sánh .
27/63
Hình 11. Phác thảo về quá trình chuẩn hoá với ñộ phân giải bán kính 10 pixel và ñộ phân giải góc 40 pixel.
Sự thay ñổi ñồng tử liên quan tới tâm mống mắt ñược phóng ñại ñể minh hoạ kết quả [7].
ðộ phân giải bán kính ñược thiết lập tới 100 và ñộ phân giải góc tới 2400
ñiểm ảnh. Với mỗi ñiểm ảnh ở mống mắt, một vị trí tương ứng ñược tìm ra trên
các trục toạ ñộ cực tương ứng.
Sau khi phân tích ảnh mống mắt và chia thành các vùng Z1, Z2, Z3 (như
hình 9 trong phần 3.3.4) chúng ñược chuẩn hoá thành các khối chữ nhật riêng
biệt N1, N2, N3 bằng cách sử dụng mô hình “ Tấm cao su” của Daugman. Nó
thực hiện tốt cả trên vùng với ñường bao quanh không ñồng tâm như Z1.
3.3.2. Trích chọn ñặc trưng
Sự trích chọn các ñặc trưng của mống mắt nghĩa là giữ lại các dạng hình
tròn quanh vùng mống mắt. Rất nhiều phương pháp trích chọn các ñặc trưng
mống mắt ñã ñược phát triển. Phương pháp trích chọn ñặc trưng sử dụng sự biến
ñổi Gabor, Wavelet, Haar, …..ñược giới thiệu ở ñây.
Các giá trị xám của các kiểm mống mắt ñược tính toán theo chiều kim ñồng
hồ hoặc ngược chiều kim ñồng hồ và dữ liệu ñặc trưng mống mắt trong thực tế
sử dụng có thể bao gồm các giá trị qua sự biến ñổi Gabor, Wavelet….
ðể trích chọn các ñặc trưng của mống mắt, trước hết chúng ta cần phải
chuẩn hoá ảnh mống mắt sau ñó thực hiện mã hoá ñể sinh ra các mã mống mắt.
Bởi sự nhận dạng chính xác về các cá nhân, hầu hết thông tin nhận biết biểu thị
trong một mẫu mống mắt phải ñược trích chọn. Chỉ những ñặc ñiểm quan trọng
của mống mắt ñược mã hoá ñể các phép so sánh giữa các mẫu ñược thực hiện.
Hầu hết các hệ thống nhận dạng mống mắt sử dụng một dải thông phân tích về
hình ảnh mống mắt ñể tạo ra một mẫu sinh trắc học.
28/63
Mẫu này ñược sinh ra trong quá trình mã hoá ñặc trưng cũng sẽ cần ñơn vị
(hệ mét) so sánh tương ứng, chúng ñưa ra một ước số ñồng dạng giữa hai mẫu
mống mắt. Hệ này ñưa ra một dãy các giá trị khi so sánh các mẫu sinh ra từ cùng
một mắt, và dãy các giá trị khác khi so sánh các mẫu sinh ra từ các mống mắt
khác nhau. Có hai cách có thể ñưa ra các giá trị rõ ràng và riêng biệt, mà một sự
quyết ñịnh có thể ñược tạo ra có ñộ tin tưởng cao về việc hoặc hai mẫu lấy từ
cùng một mống mắt hoặc lấy từ các mống mắt khác nhau.
a. Mã hoá dạng sóng (wavelet)
Các dạng sóng có thể ñược sử dụng ñể phân tích dữ liệu trong vùng mống
mắt với các thành phần mà xuất hiện tại những ñộ phân giải khác nhau. Các
dạng sóng có lợi thế hơn phương pháp biến ñổi Fourier truyền thống với tần số
dữ liệu ñược khoanh vùng, cho phép các ñặc trưng chúng xuất hiện tại cùng một
vị trí và ñộ phân giải ñược so sánh. Một trong số các phép lọc sóng hay cũng
ñược gọi là một trong các giải sóng, ñược áp dụng cho vùng mống mắt dạng 2D,
mỗi một ñộ phân giải với mỗi sóng có một tỷ lệ của một số hàm cơ bản. ðầu ra
của việc áp dụng các dạng sóng sau ñó ñược mã hoá ñể ñưa ra sự miêu tả cô
ñọng và nhận thức ñúng kiểu mống mắt.
b. Bộ lọc Gabor
Các bộ lọc Gabor có thể ñưa ra sự biểu diễn kết hợp tốt nhất của một dấu
hiệu theo khoảng cách và tần số không gian. Một bộ lọc Gabor ñược cấu trúc bởi
việc ñiều biến một sóng dạng sin/cô sin với một Gaussian. ðiều này có thể ñưa
ra sự xác ñịnh vị trí kết hợp tốt nhất theo cả khoảng cách và tần số, vì sóng dạng
sin ñược khoanh vùng hoàn toàn theo tần số nhưng không ñược khoanh vùng
theo khoảng cách. Sự ñiều biến của dạng sin với một Gaussian ñưa ra sự xác
ñịnh vị trí theo khoảng cách, mặc dù mất ñi sự xác ñịnh vị trí theo tần số. Sự
phân tích của một dấu hiệu ñược thực hiện bởi việc sử dụng một cặp cầu phương
bộ lọc Gabor, với phần thực ñã chỉ rõ bởi dạng ñiều biến côsin theo một
Gaussian, và phần ảo ñã chỉ rõ bằng dạng ñiều biến sin theo một Gaussian. Các
bộ lọc thực và ảo cũng ñược biết ñến lần lượt như các thành phần ñối xứng chẵn
và ñối xứng lẻ.
Tần số tâm của bộ lọc ñược chỉ rõ bằng tần số của sóng dạng sin/côsin và
ñộ rộng dải tần của bộ lọc ñược chỉ rõ bằng ñộ rộng của Gaussian
Daugman sử dụng một kiểu 2D của các bộ lọc Gabor ñể mà mã hoá dữ liệu
mẫu mống mắt. Một bộ lọc Gabor dạng 2D trên một miền hình ảnh (x,y) ñược
miểu tả bởi [7]:
29/63
G ( x, y ) = e −π [( x − x 0 ) 2 / α 2 + ( y − y0 ) 2 / β 2 ]
e −2πi[ u 0 ( x − x 0 ) + v 0 ( y − y 0 )]
(23)
Trong ñó (x0,y0) chỉ ñịnh vị trí trong hình ảnh, (α,β) chỉ ñịnh ñộ rộng thực
tế và ñộ dài, và (u0,v0) biểu thị sự ñiều biến, chúng có tần số không gian
ω0 = u02 + v02 .
Các bộ lọc Gabor dạng 2D ñối xứng lẻ và ñối xứng chẵn ñược chỉ ra trong
hình 12.
Hình 12. Một cặp cầu bình phương của các bộ lọc Gabor dạng 2D;
Trái: thành phần thực hoặc bộ lọc ñối xứng chẵn mô tả bằng một ñiều biến cô sin theo một Gaussian;
Phải: Thành phần ảo hoặc bộ lọc ñối xứng lẻ mô tả bằng ñiều biến dạng sin theo một Guassian [7].
Daugman ñiều biến ñầu ra của các bộ lọc Gabor ñể nén dữ liệu. ðiều này
ñược thực hiện bằng việc lượng tử hoá thông tin pha theo bốn mức, với mỗi
cung phần tử trong mặt phẳng phức hợp. Nó ñược chỉ ra bởi Oppenhein và Lim
mà thông tin pha, ñúng hơn là thông tin biên ñộ cung cấp thông tin quan trọng
nhất có trong một ảnh. Việc ñưa ra chỉ có pha sẽ cho phép việc mã hoá thông tin
chính xác trong mống mắt, trong khi việc loại bỏ các thông tin không cần thiết
như ñộ rọi sáng…, chúng ñược miêu tả bởi thành phần biên ñộ.
Có bốn mức ñược miêu tả bằng cách sử dụng 2 bít dữ liệu, vì mỗi ñiểm ảnh
(pixel) trong mẫu mống mắt ñã chuẩn hoá tương ñương 2 bít dữ liệu ở mẫu
mống mắt. Tổng số 2.048 bít ñược dự tính cho mẫu ñó, và bằng số lượng các bít
giấu ñược sinh ra ñể ñánh giấu (che giấu) các vùng hỏng ngoài bên trong mống
mắt. ðiều này tạo ra mẫu chứa ñầy 256-byte, chúng cho phép khả năng lưu trữ
và so sánh các mống mắt. Hệ thống Daugman sử dụng hệ toạ ñộ cực trở nên
bình thường hoá, vì thế trong dạng cực các bộ lọc ñược ñưa ra là:
H (r ,θ ) = e − iω (θ −θ ) e − ( r −r ) / α e− i (θ −θ ) / β
2 2 2 2
0 0 0
(24)
Trong ñó (α,β) giống như phương trình (10) và (r0, θ0) là tần số tâm của bộ
lọc. Quá trình ñiều biến và lượng tử hoá pha có thể miêu tả là:
30/63
h{Re,Im} = sgn {Re,Im} ∫ ∫ I ( ρ ,φ )e − iω (θ −φ ) e− ( r −ρ ) / α e − (θ −φ ) / β ρdρdφ
2 2 2 2
0 0 0
(25)
ρ φ
Trong ñó h{Re,Im} có thể ñược ñánh giá như một bít giá trị phức hợp các
thành phần thực và ảo của chúng phụ thuộc phần nguyên tín hiệu dạng 2D, và
I(ρ,φ) là ảnh ban ñầu mống mắt (ảnh thô) trong một hệ toạ ñộ cực không thứ
nguyên (không chiều).
c. Bộ lọc Log-Gabor
Mặt không thuận lợi của bộ lọc Gabor là bộ lọc ñối xứng sẽ có thành phần
DC mỗi khi dải thông lớn hơn một khoảng tám. Tuy nhiên, thành phần DC
không có thể ñược sử dụng cho bất kỳ dải thông nào bằng cách sử dụng một bộ
lọc Gabor chúng là Gaussian dựa trên tỷ lệ loga, ñiều này ñược xem như bộ lọc
Log-Gabor. Tần số ñáp ứng của bộ lọc Log-Gabor [7] ñưa ra như sau:
− log( f / f 0 ) 2
G ( f ) − exp
2
(26)
2 (log(σ / f 0 ))
Trong ñó f0 biểu thị tần số tâm, và σ coi như là dải thông của bộ lọc.
d. ðiểm về không của sóng dạng 1D
Boles và Boashash tạo ra sử dụng các sóng dạng 1D ñối với việc mã hoá dữ
liệu mống mắt [7]. Sóng mang ñược xác ñịnh như là ñạo hàm bậc hai của một
hàm làm nhẵn θ(x).
d 2θ ( x)
ψ ( x) = (27)
dx 2
ðiểm về không của cặp tỷ lệ của các bộ lọc này sau ñó ñược sử dụng ñể mã
hoá các ñặc trưng. Sự biến ñổi sóng của một tín hiệu f(x) với tỷ lệ s và vị trí x
ñược ñưa ra:
d 2θ ( x) 2 d
2
Ws f ( x) = f s 2 2
( x ) = s 2
( f * θ s )( x) (28)
dx dx
Trong ñó θs = (1/s)θ(x/s)
Wsf(x) là tương ứng ñạo hàm bậc 2 của f(x) ñã ñược làm nhẵn bởi θs(x), và
việc ñi qua không của sự biến ñổi tương ứng tới các ñiểm uốn trong f*θs(x). Sự
thúc ñẩy ñối với kỹ thuật này là sự ñi qua không tưng ứng các ñặc trưng quan
trọng ñối với vùng mống mắt.
31/63
e. Dạng sóng Haar
Mặt khác Lim cũng sử dụng biến ñổi sóng ñể trích chọn các ñặc trưng từ
vùng mống mắt. Cả biến ñổi Gabor và sóng Haar ñều ñược coi như sóng mẹ. Từ
việc lọc ña chiều, một véc tơ ñặc trưng ước tính có 87 chiều. Vì mỗi chiều có
một mảng giá trị thực từ -1.0 ñến +1.0, véc tơ ñặc trưng là dấu hiệu ñã lượng tử
hoá ñể bất kỳ giá trị dương ñược biểu thị là 1, và giá trị âm là 0. Các kết quả ñó
trong mẫu sinh trắc học ñầy ñủ chỉ gồm 87 bít.
Lim so sánh sử dụng biến ñổi Gabor và biến ñổi sóng Haar, và chi ra rằng
tỷ lệ nhận dạng của biến ñổi sóng Haar nhỏ hơn biến ñổ Gabor là 0.9% .
f. Laplacian của các bộ lọc Gaussian
ðể mã hoá các ñặc trưng, theo Wildes hệ thống phân tích vùng mống mắt
bằng cách áp dụng Laplacian của các bộ lọc Gaussian ñối với ảnh vùng mống
mắt[7]. Các bộ lọc ñược ñưa ra:
1 ρ 2 −ρ
∇ G = − 4 1 − 2 e / 2σ 2
2
(29)
πσ 2σ
Trong ñó σ là ñộ lệch chuẩn của Gaussian và ρ là khoảng cách radial của
một ñiểm từ tâm bộ lọc.
Ảnh ñã lọc ñược biểu thị như một hình chóp Laplacian chúng có thể ñể nén
dữ liệu, ñể chỉ còn lại các dữ liệu quan trọng. Chi tiết về các hình chóp
Laplacian ñược miêu tả bởi Burt và Adelson. Một hình chóp Laplacian ñược cấu
trúc có bốn mức phân giải khác nhau ñể sinh ra một mẫu mống mắt ñầy ñủ.
g. Phương pháp T
ng lu tích (Cumulative sums)
Phương pháp này sử dụng ñể trích chọn ñặc trưng từ ảnh mống mắt, bao
gồm các bước:
Bước 1: Phân chia ảnh mống mắt ñã ñược chuẩn hoá thành các vùng khối
cơ bản cho việc tính toán tổng luỹ tích. Một vùng khối có 3 dòng x 10 cột. Một
giá trị mức xám trung bình ñược sử dụng như một giá trị ñại diện của một vùng
khối cơ bản cho sự tính toán.
Bước 2: Các vùng khối cơ sở ñược nhóm lại với nhau theo chiều ngang và
chiều dọc như hình 13. Năm vùng khối cơ bản ñược nhóm lại với nhau vì các
kết quả thực nghiệm cho thấy rằng sự thực hiện ñã ñạt ñược tốt hơn nhiều khi
một nhóm gồm 5 khối.
32/63
Hình 13: Sự phân chia ảnh mống mắt ñã ñược chuẩn hoá thành
các vùng khối và sự nhóm các vùng khối ñó [6]
Bước 3: Tính các tổng luỹ tích qua mỗi nhóm như trong bước 2.
Bước 4: Sinh ra các mã ñặc trưng mống mắt như hình 14:
Tổng luỹ tích ñược tính toán như sau. giả thiết rằng X1, X2, … và X5 là 5
giá trị ñại diện cho mỗi vùng khối trong ñó nhóm ñầu tiên ñược xác ñịnh là góc
trên trái của hình 13.
Tính giá trị trung bình X = (X1+X2+ ..+X5)/5 (30)
Tính tổng luỹ tích tính từ 0: S0 = 0
Tính tổng luỹ tích khác bằng việc cộng thêm sự khác nhau giá trị hiện tại
và giá trị trung bình ñối với tổng trước ñó.
Si = Si-1 + (Xi – X) với i = 1,2, …, 5 (31)
Tổng luỹ tích bằng phép cộng và phép trừ, bởi vậy phương pháp trích chọn
ñặt trưng mống mắt dựa trên tổng luỹ tích tạo nên quá trình xử lý nhẹ nhàng hơn
các phương pháp khác. Sau khi tính toán, các mã mống mắt ñược sinh ra cho
mỗi khối bằng cách sử dụng thuật toán sau.
Iris_code_generation{
For (2 time loop){//for horizontal and vertical directions}
Max = Max(S1,S2,…S5); Min=Min(S1,S2,…S5);
If Si located between Max and Min index
If (Si on upward slope) set cell’s iris_code to 1
If (Si on downward slope) set cell’s iris_code to 2 else
set cell’s iris_code to 0 }}
33/63
Thuật toán này sinh ra các mã mống mắt bằng cách phân tích tổng luỹ tích
mà mô tả các tham biến là các giá trị mức xám của các mẫu mống mắt. Một hệ
số góc của tổng luỹ tích tăng lên nghĩa là mẫu mống mắt thay ñổi từ màu ñen
xạm sang màu sáng (ñộ tối sang ñộ sáng). Một hệ số góc của tổng tích luỹ giảm
xuống có nghĩa ngược lại (thay ñổi từ ñộ sáng sang ñộ tối).
Một ví dụ về việc sinh mã mống mắt ñược chỉ ra trong hình 14. Tổng luỹ
tích giữa max và min sinh ra mã mống mắt 1 vì chúng làm các hệ số tăng lên,
tổng luỹ tích thứ 5 sinh mã mống mắt 0 vì nó không ñược xác ñịnh là giữa max
và min chỉ ra trong hình 14.a, hình 14.b các tổng luỹ tích thứ 2, 3, 4 sinh ra mẫu
mống mắt là 2 vì chúng làm cho hệ số giảm xuống. Mỗi khối khối có hai mã
mống mắt, một theo chiều dọc, một theo chiều ngang.
ðể tính toán sự giống nhau của hai mã mống mắt, khoảng cách Hamming
ñược sử dụng. Một khoảng cách Hamming thấp hơn chỉ ra sự giống nhau cao hơn.
1 ( N A (i ) ⊕ B (i )) + ( N A (i ) ⊕ B (i ))
∑ ∑
HD = (32)
2N i =1
h h
i =1
v v
Xét hai ảnh N1 x N2, f(n1, n2) và g(n1, n2), ñể ñơn giản thuật toán trong ñó
chúng ta giả sử rằng: n1 = -M1 … M1 (M1 >0) và n2 = -M2 … M2 (M2 >0). Do
ñó N1 = 2M1 + 1 và N2 = 2M2 + 1 . ðặt F(k1, k2) và G(k1, k2) biểu thị các DFT
2D của hai ảnh. F(k1, k2) ñược ñưa ra bởi:
M1 M2
F (k1 , k2 ) = ∑ ∑ f (n , n )W
n1 = − M1 n2 = − M 2
1 2 N1 WNk n = AF (k1 , k2 )e jθ
k1n1 2 2
2
H ( k1 ,k2 )
(33)
2π 2π
−j −j
Trong ñó k1 = -M1 … M1 và k2 = -M2 … M2 , WN = e 1
N1
và WN 2 = e N2
.
AF(k1, k2) là biên ñộ và θF(k1, k2) là pha. G(k1, k2) ñược biểu thị theo cùng một
cách. Hình ảnh pha ngang RFG(k1, k2) giữa F(k1, k2) và G(k1, k2) ñược ñưa ra
bởi:
34/63
__________ __
F (k1 , k2 ) G (k1 , k2 )
RFG (k1 , k2 ) = __________ __
= e jθ ( k ,k )
1 2
(35)
F (k1 , k2 )G (k1 , k2 )
trong ñó G (k1 , k 2 ) là sự liên hợp phức hợp của G(k1, k2) và θ(k1, k2) biểu thị
sự khác nhau của pha θF(k1, k2) - θG(k1, k2). Hàm POC rfg(n1, n2) là DTF ñảo
ngược 2D của RFG(k1, k2) và ñược ñưa ra bởi:
1 M 1 M2
rfg (n1 , n2 ) = ∑
N1 N 2 k =− M
∑R
k2 = − M 2
FG
(k1 , k2 )WN−k n WN−k n
1
1 1
2
2 2
(36)
1 1
Khi hai ảnh giống nhau, hàm POC của chúng ñưa ra một một ñỉnh (ñiểm)
phân biệt rõ ràng. Khi hai ảnh không giống nhau, giá trị ñỉnh thấp xuống ñáng
kể. ðộ cao của ñịnh có thể ñược sử dụng như một phép ño ñồng dạng cho ñối
sánh ảnh, và sự xác ñịnh vị trí của ñỉnh chỉ ra ñộ dịch chuyển tịnh tiến giữa hai ảnh.
Khi nhận dạng vân tay, chúng ta ñã ñưa ra ý tưởng về hàm BLPOC (Band-
Limited Phase-Only Correlation: Sự tương quan pha duy nhất giới hạn dải), cho
sự ñối sánh hiệu quả của các vân tay tính ñến các thành phần tần số vốn có của
các ảnh vân tay. Qua một tập các thí nghiệm, chúng ta thấy rằng nó rất hiệu quả
cho nhận dạng mống mắt. Qua quan sát chúng ta thấy rằng: 1) DFT 2D một ảnh
mống mắt chuẩn hoá ñôi khi bao gồm các thành phần pha vô nghĩa trong vùng
tần số cao, và 2) dải tần số hiệu quả của ảnh mống mắt chuẩn hoá là chiều k1
rộng hơn chiều k2 như minh hoạ trong hình 15. Hàm POC gốc rfg(n1, n2) làm nổi
bật các thành phần tần số cao, chúng có thể có ñộ tin cậy ít hơn. ðiều này làm
giảm ñáng kể ñỉnh tương quan dù hai ảnh mống mắt ñã ñưa ra ñược lấy từ cùng
một mắt. Mặt khác, hàm BLPOC cho phép chúng ta ñánh giá tương tự bằng
cách sử dụng dải tần số cố hữu trong phạm vi các kết cấu mống mắt.
Giả sử rằng các phạm vi của dải tần số cố hữu ñược ñưa ra là k1 = -K1 …
K1 và k2 = -K2 … K2 , trong ñó 0 ≤ K1 ≤ M1 và 0 ≤ K2 ≤ M2 . Theo ñó, kích
thước ảnh hưởng của ảnh tần số ñược ñưa ra là L1 = 2K1 + 1 và L2 = 2K2 + 1.
Hàm BLPOC ñược ñưa ra:
35/63
1 K 1 K2
rfgK ,K (n1 , n2 ) =
1 2
∑
L1 L2 k =− K
∑R
k2 = − K 2
FG
(k1 , k2 )WL−k n WL−k n
1
1 1
2
2 2
(37)
1 1
Trong ñó n1 = -K1 … K1 và n2 = -K2 … K2 . Chú ý rằng giá trị lớn nhất của
ñỉnh tương quan của hàm BLPOC luôn luôn ñược chuẩn hoá thành 1 và không
phụ thuộc vào L1 và L2. Ngoài ra, ñộ dịch chuyển tịch tiến giữa hai ảnh có thể
ñược ñánh giá bởi vị trí ñỉnh tương quan.
Theo thuật toán của chúng ta, K1/M1 và K2/M2 là các tham biến ñiều chỉnh
chính, từ ñó các tham biến này phản ánh chất lượng của các ảnh. Theo các thí
nghiệm, K1/M1 = 0.6 và K2/M2 = 0.2 ñược dùng cho cơ sở dữ liệu ảnh mống mắt
CASIA ver 1.0 và K1/M1 = 0.55 và K2/M2 = 0.2 ñược dùng cho cơ sở dữ liệu
ảnh mống mắt CASIA ver 2.0. ðiều này làm quan tâm tới dấu hiệu mà các ảnh
mống mắt trong cả hai cơ sở dữ liệu có dải tần số ảnh hưởng chỉ 20% theo chiều
k2 (chiều bán kính của mống mắt).
Hình 16: Ví dụ về ñối sánh xác thực sử dụng hàm POC gốc và hàm BLPOC[1]:
a) Ảnh mống măt f(n1, n2) ; b) Ảnh mống mắt g(n1, n2); c) Hàm POC gốc rfg(n1, n2)
d) hàm BLPOC r fgK1K 2 (n1 , n2 ) (K1/M1 = 0.6 và K2/M2 = 0.2 ).
Hình 16 chỉ ra một ví dụ về ñối sánh xác thực, trong ñó hình vẽ so sánh
hàm POC gốc rfg và hàm BLPOC r fgK K (K1/M1 = 0.6 và K2/M2 = 0.2 ). Hàm
1 2
BLPOC ñưa ra ñỉnh tương quan cao hơn của hàm POC gốc. Do ñó, hàm BLPOC
ñưa ra khả năng phân biệt cao hơn nhiều so với hàm POC gốc.
36/63
b. Trích chọn vùng ảnh hưởng
~
Cho một cặp ảnh mống mắt f (n1 , n2 ) và g~ (n1 , n2 ) ñược so sánh, mục ñích của
quá trình này là ñể trích chọn các vùng ảnh hưởng có cùng kích thước từ hai
~
ảnh, như minh hoạ trong hình 3.3a. ðặt kích thước của hai ảnh f (n1 , n2 ) và
~ ~
g~ (n1 , n2 ) là N1 xN 2 , và ñặt ñộ rộng của các vùng không liên quan trong
~
f (n1 , n2 ) và g~ (n1 , n2 ) là w ~f và wg~ tách biệt. Chúng ta thu ñược f(n1, n2) và g(n1, n2).
~ ~
bằng việc trích chọn các vùng ảnh hưởng có kích thước N1 x { N 2 - max
( w ~f , wg~ )} qua việc loại ra các vùng không liên quan như ñã che bởi mí mắt và
những phản chiếu.
Mặt khác, một vấn ñề xảy ra khi vùng ảnh hưởng ñã trích chọn trở nên quá
nhỏ ñể thực hiện ñối sánh ảnh. Trong trường hợp này, bằng việc thay ñổi tham
biến w, chúng ta trích chọn nhiều vùng nhỏ ảnh hưởng từ mỗi ảnh mống mắt
như ñã minh hoạ hình 17.b. Theo các thí nghiệm, trích ra nhiều nhất 6 vùng nhỏ từ một
ảnh mống mắt ñơn lẻ bằng việc thay ñổi tham biến w là 55,75 và 95 ñiểm ảnh.
Bước này ñể canh chỉnh ñộ dịch chuyển tịnh tiến τ1 và τ2 giữa các ảnh ñã
trích ra f(n1, n2) và g(n1, n2). ðộ quay của camera, ñộ nghiêng của ñầu, ñộ xoay
của mắt so với hốc mắt có thể gây ra những tịnh tiến trong ảnh chuẩn hoá (do sự
dịch chuyển toạ ñộ gốc). Các tham biến ñộ dịch chuyển (τ1 ,τ2) có thể ñược ñánh
giá từ vị trí ñỉnh của hàm BLPOC r fgK K (n1 , n2 ) . Các tham biến thu ñược ñược sử
1 2
Trong bước này, chúng ta tính toán hàm BLPOC r fgK K (n1 , n2 ) giữa các ảnh
1 2
ñã canh chỉnh f(n1, n2) và g(n1, n2), và ñánh giá ñiểm trùng khớp. Trong trường
hợp ñối sánh xác thực, nếu ñộ dịch chuyển giữa hai ảnh ñược canh chỉnh, ñỉnh
37/63
tương quan của hàm BLPOC có thể xuất hiện tại gốc (n1, n2) = (0,0). Do vậy,
chúng ta tính toán ñiểm trùng khớp giữa hai ảnh là giá trị ñỉnh lớn nhất của hàm
BLPOC trong cửa sổ r x r tâm tại gốc, trong ñó chúng ta chọn r = 11 theo các thí
nghiệm của chúng ta. Khi nhiều vùng nhỏ ñược trích chọn tại quá trình “trích
chọn vùng anht hưởng”, ñiểm trùng khớp ñược tính toán bằng việc lấy ñiểm
trùng khớp trung bình cho các vùng nhỏ.
3.3.3.2. Khoảng cách Hamming
Khoảng cách Hamming ñưa ra cách ño các bít là giống nhau giữa hai kiểu
bít như thế nào. Việc sử dụng khoảng cách Hamming của hai kiểu bít, có thể
quyết ñịnh hoặc hai kiểu ñó hoặc ñược sinh ra từ các mống mắt khác nhau hoặc
từ cùng một mống mắt.
Trong việc so sánh các kiểu bít X và Y, khoảng cách Hamming-HD ñược
xác ñịnh là tổng các bít khác nhau theo N-tổng số các bít trong mẫu bít.
1 N
HD = ∑ X j ( XOR)Yj
N j =1
(38)
38/63
lượng Euclidean ñưa ra phép ño tương tự một tập hợp các giá trị là giữa hai kiểu
như thế nào. Hệ mét ñó ñược ứng dụng bởi Zhu và ñược ñặc tả như sau [7]:
( fi − fi ( k ) )2
N
WED(k ) = ∑ (39)
i =1 (δ i( k ) ) 2
Trong ñó fi là ñặt trưng thứ I của mống mắt chưa xác ñịnh (chưa ñược biết
ñến). và fi(k) là ñặc trưng thứ I của mẫu mống mắt, k, và δi(k) là ñộ lệch chuẩn của
ñặc trưng thứ I trong mẫu mống mắt k. Mẫu mống mắt chưa xác ñịnh ñược tìm
thấy khớp mẫu mống mắt k, khi WED ñạt nhỏ nhất tại k.
3.5. Kt lu n
Trong chương này chúng ta ñã mô tả một số phương pháp khác nhau ñể
thực hiện nhận dạng mống mắt, bao gồm: các phương pháp xác ñịnh ñồng tử
mống mắt, lông mi mí mắt .. ; các phương pháp ứng dụng ñể chuẩn hoá ảnh,
trích chọn ñặc trưng vàc các phương pháp ứng dụng ñể ñối sánh ñặc trưng. Mỗi
phương pháp có những ưu ñiểm và nhược ñiểm riêng. Từ ñó, chúng ta có thể lựa
chọn phương pháp phù hợp với hệ thống ứng dụng của ñề tài.
39/63
CHƯƠNG IV. MÔ HÌNH ỨNG DỤNG VÀ THỰC NGHIỆM
HCðT ñược tổ chức dựa trên cấu trúc của hộ chiếu thông thường, ñược
chia thành hai phần: tài liệu vật lý (booklet) và mạch RFIC (thể hiện dưới dạng
chip phi tiếp xúc).
(i) - Booklet gần tương tự như hộ chiếu truyền thống, nó chỉ khác ở chỗ có
thêm biểu tượng HCðT và phần MRZ ở cuối của trang dữ liệu.
40/63
Hình 19: Biểu tượng hộ chiếu ñiện tử
(ii) - Mạch tích hợp tần số radio (RFIC): Chip ñược cấy vào HCðT phải
tuân theo chuẩn ISO/IEC 14443, trong ñó chỉ ra khoảng cách ñọc ñược chính
xác trong khoảng 10cm.
Mạch RFIC gồm có chip và một anten vòng không những dùng ñể kết nối
mà còn dùng ñể nhận biết tín hiệu từ ñầu ñọc. ðây là yếu tố quyết ñịnh HCðT
không có nguồn ñiện trong. Năng lượng hoạt ñộng cho chíp thu nhận qua anten.
Mạch RFIC có thể ñược cấy vào một trong các vị trí khác nhau trong
booklet, thông thường là giữa phần vỏ và trang dữ liệu và cần ñảm bảo rằng chip
không bị ăn mòn và rời ra khỏi booklet, nó cũng không thể truy cập hoặc gỡ bỏ
do xáo trộn hoặc tai nạn.
41/63
b. Tổ chức dữ liệu logic
Mục ñích của việc chuẩn hoá các thành phần dữ liệu trong hộ chiếu ñiện tử
ñể có ñược sự thống nhất trên phạm vi toàn cầu. Tổ chức Hàng không dân dụng
quốc tế (ICAO) khuyến nghị cấu trúc các thành phần dữ liệu trong HCðT và
phân nhóm logic các thành phần dữ liệu này. Ngoài những thành phần bắt buộc
phải có trong HCðT còn có các thành phần dữ liệu tuỳ chọn.
Trên cơ sở các thông tin vốn có trong hộ chiếu truyền thống và nhu cầu
phát triển khi ñiện tử hoá hộ chiếu, các thông tin lưu trong hộ chiếu ñiện tử ñược
mô tả như trong hình 11. Các thông tin này ñược các quốc gia trên toàn thế giới
thừa nhận là chuẩn thông tin và tổ chức thông tin ñối với hộ chiếu ñiện tử.
ðể thuận lợi cho việc ghi, ñọc và kiểm tra thông tin trên phạm vi toàn cầu,
các thành phần dữ liệu ñược tổ chức thành nhóm dữ liệu.
42/63
Hình 221: Cấu trúc dữ liệu logic hộ chiếu ñiện tử theo nhóm[14]
Với mục ñích dùng hiện tại, cấu trúc dữ liệu logic (Logical Data Structure –
LDS) ñược chia thành 16 nhóm dữ liệu (Data Group - DG) ñánh số từ DG1 ñến
DG16.
• DG1: Là nhóm dữ liệu cơ bản chứa thông tin giống với thông tin trên
trang hộ chiếu thông thường.
• DG2: Khuôn mặt mã hoá, ảnh khuôn mặt ñược mã hoá theo ñịnh
dạng JPEG hoặc JPEG2000. Ngoài ra ñể thuận lợi cho các quốc gia triển khai hộ
chiếu ñiện tử có thể tận dụng các hệ thống nhận dạng sinh trắc học hiện có,
nhóm thông tin này có thể bao gồm một số giá trị ảnh khuân mặt ñược lưu dưới
mẫu (thông tin ñầu vào của hệ thống nhận dạng) Chính vì vậy mà nhóm thông
43/63
tin này phải có trường lưu số giá trị. Tuy nhiên giá trị ảnh khuân mặt ñầu tiên
phải ở dạng ảnh.
• DG3/4: ðược dùng ñể lưu các ñặc trưng sinh trắc vân tay và tròng
mắt. Việc lựa chọn những ñặc trưng này tuỳ thuộc vào quy ñịnh của mỗi quốc
gia, chẳng hạn với HCðT của Mỹ, DG3 ñược dùng ñể lưu ñặc trưng vân tay của
2 ngón trỏ.
• DG5: Lưu ảnh chân dung người mang hộ chiếu. Thông tin này dưới
dạng một ảnh JPEG2000.
• DG6: Dự phòng dùng trong tương lai.
• DG7: Lưu chữ ký của người mang hộ chiếu. Thông tin này dưới dạng
một ảnh JPEG2000.
• DG8/9/10: Mô tả các thông tin về ñặc tính dữ liệu, ñặc tính cấu trúc.
• DG11: Thông tin chi tiết về người mang hộ chiếu ngoài các thông tin
cơ bản ở phần DG1. Ví như các tên khác của người mang hộ chiếu…
• DG12: Thông tin thêm về hộ chiếu chưa ñược mô tả trong phần
DG1.
• DG13: Các thông tin mang tính riêng biệt của cơ quan cấp hộ chiếu
thể hiện.
• DG14: Dự phòng dùng trong tương lai. Tuy nhiên trong mô hình ñề
xuất ở chương 4, chúng tôi sử dụng nhóm thông tin này ñể lưu chứng chỉ phục
vụ quá trình ñiều khiển truy cập mở rộng (ứng với hai quá trình Chip
Authentication và Terminal Authentication).
• DG15: Lưu khoá công khai dùng cho tuỳ chọn xác thực chủ ñộng
(Active Authentication [14]).
• DG16: Thông tin về người khi cần có thể liên lạc.
• DG17/18/19: Hiện tại chưa sử dụng. Các nhóm thông tin này dự ñịnh
dùng ñể lưu thông tin ghi nhận tại các ñiểm xuất nhập cảnh, thông tin về thị thực
(visa ñiện tử) và thông tin lịch sử xuất nhập cảnh.
Hai nhóm thông tin ñầu là bắt buộc, nhóm thông tin DG2 mô tả thông tin
khuôn mặt. ðây là thông tin thống nhất trên toàn cầu giúp cho việc kiểm tra
44/63
danh tính của người mang HCðT với các thông tin trong HCðT, nó là dữ liệu
ñầu vào của hệ thống nhận dạng mặt người. Ảnh khuôn mặt có thể lưu trữ dưới
dạng mẫu (template), tuy nhiên mẫu là bí mật ñối với mỗi nhà sản xuất hệ thống
nhận dạng nên không thể có ñược chuẩn chung. Do vậy, ñể thuận tiện cho các
quốc gia chủ ñộng lựa chọn, sử dụng các hệ thống nhận dạng, thông tin này
ñược lưu dưới dạng ảnh khuôn mặt nguyên thuỷ. Chúng ta chỉ cần ñưa ra quy
ñịnh về ñịnh dạng nén ảnh, khoảng cách gần xa, vị trí chụp… Kích thước của
một ảnh khuôn mặt, ảnh vân tay khoảng 10K, ảnh iris khoảng 30K.
Thông tin mô tả chi tiết về ñộ lớn các trường thông tin, là thông tin bắt
buộc hay tuỳ chọn… tham khảo trong [14].
45/63
- EF.SOD, chứa thông tin phục vụ xác thực và toàn vẹn.
Khi thẻ phi tiếp xúc ñi qua vùng giao tiếp của ñầu ñọc, quá trình ñọc diễn
ra theo chuẩn ISO 14443.
ðể kiểm tra sự toàn vẹn các nhóm thông tin, một số thông tin chữ ký ñược
ñưa thêm vào và ghi trong tệp cơ sở có tên EF.SOD.
Cách thức lưu trữ các nhóm và thành phần dữ liệu theo mô hình thứ tự
ngẫu nhiên. Cách thức lưu trữ này phù hợp với kỹ thuật mở rộng dung lượng tuỳ
chọn cho phép duy trì các thành phần dữ liệu ngay cả khi nó ñược ghi vượt quá.
Các thành phần dữ liệu có ñộ dài không xác ñịnh ñược mã theo cặp giá trị
length/value theo hệ thập lục phân.
ðể ñịnh vị và giải mã các nhóm và thành phần dữ liệu lưu trong các nhóm
ñã ghi bởi cơ quan cấp hộ chiếu, ñầu ñọc dựa vào phần thông tin Header trong
tệp EF.COM (hình 14). Việc xác ñịnh nhóm dữ liệu nào có trong chíp căn cứ
vào thông tin Data Group Presence Map chứa trong tệp EF.COM thông qua các
thẻ TAG, mỗi thẻ chỉ ñịnh vị trí lưu trữ nhóm thông tin tương ứng (hình 15).
Hình 24: Thông tin ñịnh vị nhóm dữ liệu lưu trong chíp
Hình 25: Thông tin chỉ thị sự tồn tại của nhóm dữ liệu trong chíp.
Với các thành phần dữ liệu trong mỗi nhóm (trường thông tin), ñầu ñọc
cũng nhận diện sự tồn tại của chúng thông qua Data Element Presence Maps,
và ñịnh vị trí lưu trữ dữ liệu thông qua các thẻ TAG.
Hình 3: Thông tin chỉ thị sự tồn tại thành phần dữ liệu trong một nhóm
46/63
Hình 27: Thông tin xác ñịnh vị trí thành phần dữ liệu trong nhóm
47/63
B4: Thực hiện Passsive Authentication ñể kiểm tra tính xác thực và toàn
vẹn của các thông tin lưu trong chip thông qua kiểm tra chữ ký trong SOD bằng
khoá công khai của cơ quan cấp hộ chiếu.
B5: Quá trình Terminal Authentication chứng minh quyền truy cập thông
tin của hệ thống ñến thông tin sinh trắc học mống mắt (DG4). Chỉ thực hiện ñối
với những cơ quan kiểm tra hộ chiếu triển khai EAC. Sau khi Terminal
Authentication thành công, ñầu ñọc có thể truy cập thông tin theo quyền thể hiện
trong chứng chỉ CIS.
B6: Hệ thống thực hiện ñối sánh thông tin sinh trắc học thu nhận ñược trực
tiếp từ người xuất trình hộ chiếu với thông tin sinh trắc học lưu trong chip. Nếu
quá trình ñối sánh thành công và kết hợp với các chứng thực trên, cơ quan kiểm
tra hộ chiếu có ñủ ñiều kiện ñể tin tưởng hộ chiếu là xác thực và người mang hộ
chiếu ñúng là con người mô tả trong hộ chiếu.
4.1.3. Mô hình xác thưc HCðT với ñặc trưng mống mắt
Như ñã nêu ở phần trên, việc xác thực người dung mang HCðT sẽ ñược
thực hiện thông qua việc kiểm tra ba ñặc trưng sinh trắc chính là : vân tay, mặt
người và mống mắt. Riêng ñối với ñặc trưng mống mắt, việc kiểm tra so khớp
ảnh chụp mống mắt của công dân với những dữ liệu ñặc trưng mống mắt ñã lưu
trong HCðT sẽ ñược thực hiện thông qua mô hình dưới ñây:
Khớp
Bộ tiền Trích chọn So khớp
xử lý ñặc trưng 1-1
Thu nhận ảnh
mống mắt
Không khớp
Trước hết một ảnh mống mắt của người mang HCðT sẽ ñược chụp lại bằng
hệ thống chụp mống mắt. Sau ñó ảnh mống mắt ñó ñược xử lý heo các giai ñoạn
sau
48/63
- Giai ñoạn 1 ( tiền xử lý): ảnh mống mắt sẽ ñược tiến hành các bước khử
nhiễu, nâng cao chất lượng ảnh, … Việc xác ñịnh vùng chứa ñặc trưng mống
mắt sẽ ñược tiến hành ñầu tiên qua bước chuyển sang ảnh xám. Bộ lọc phi tuyến
Mean Filter sẽ ñược sử dụng ñể làm trơn nhiễu, tăng cường ảnh. Tiếp theo, tiến
hành dò tìm tâm ñồng tử, dò tìm cạnh Canny, xác ñịnh xấp xỉ bán kính ñồng
tử/mống mắt ñể từ ñó xác ñịnh ñược vị trí mống mắt.
- Giai ñoạn 2: hệ thống tiếp tục thực hiện xử lý- chuẩn hóa ảnh theo mô
hình tấm cao su của Daugman. Sau ñó tiến hành trích rút ñặc trưng mống mắt
phục vụ cho việc kiểm tra/nhận dạng.
- Giai ñoạn 3 (so khớp/nhận dạng) : ñặc trưng mống mắt thu ñược từ ảnh
chụp mống mắt người mang HCðT sẽ ñược sử dụng ñể so khớp với dữ liệu
mống mắt ñã ñược lưu trên HCðT của người ñó. Việc thực hiện so khớp sẽ dựa
trên việc xác ñịnh khoảng cách Hamming giữa hai ñặc trưng ñó. Kết quả của
quá trình này sẽ cho biết người mang HCðT có ñúng là người có ñặc trưng
mống mắt ñã lưu trong HCðT hay không. Dĩ nhiên, thông tin này sẽ ñược sử
dụng kết với với kết quả so khớp của những ñặc trưng sinh trắc khác, từ ñó cho
phép xác thực hiệu quả người mang HCðT.
4.2. Phát trin h thng thc nghim
Do những ñiều kiện khách quan và chủ quan không cho phép, chúng tôi ñã
chưa có thể tiến hành thực nghiệm trực tiếp mô hình xác thực HCðT với ñặc
trưng mống mắt. Từ ñó, chúng tôi hướng ñến việc xây dựng công cụ cho phép
mô phỏng quá trình kiểm tra mống mắt ñể hiểu rõ hơn quá trình trích trọn ñặc
trưng lẫn so khớp ảnh mống mắt của người dung.
Quá trình phát triển công cụ thực nghiệm này ñã ñược tiến hành với ngôn
ngữ lập trình JAVA, thể hiện các bước chính của quá trình trích rút lẫn so khớp
ñặc trưng mống mắt. Kỹ thuật cụ thể ñược sử dụng trong các bước này như sau:
49/63
Hình 29: Ảnh mắt từ cơ sở dữ liệu sẵn có
Hình 30: Ảnh gốc sau khi thực hiện qua một bộ lọc trung vị.
Một bộ lọc trung vị thực hiện bằng việc gán một ñiểm ảnh giá trị trung bình của các hàng xóm của nó[2] .
Bây giờ ảnh chuẩn bị dò tìm cạnh có thể ñược thực hiện. Mống mắt có thể
ñược mô tả sự thay ñổi ñộ sáng theo vùng quan tâm. Vì vậy vùng của ảnh này sẽ
50/63
tương ứng với thành phần có giá trị cao nhất của ñầu ra từ bộ lọc. Nên nhớ rằng
vì mống mắt không ñồng tâm với ñồng tử khoảng cách từ tâm ñồng tử tới cạnh
này không tương ứng với bán kính mống mắt.
Cuối cùng bất kỳ một lõm nhỏ nào trong ñồng tử ñã gây ra các phản xạ
hoặc các biến dạng khác có thể ñược lấp ñầy, bằng việc tìm kiếm các phần của
các ñiểm ảnh trống với vùng dưới ngưỡng. Sau quá trình này chúng ta thu ñược
một ảnh mà làm nổi bật vùng ñồng tử, trong ñó các dữ liệu lạ khá sạch sẽ.
51/63
Bộ dò tìm cạnh Canny chủ yếu bao gồm 3 bước, nghĩa là, tìm ra gradient,
sự nén lại không tối ña và sự giới hạn hysterisis. Như ñề xuất bởi Wildes, việc
giới hạn cho ảnh mắt ñược thực hiện chỉ theo một chiều dọc, bởi vậy ảnh hưởng
do các mí mắt có thể ñược giảm xuống. ðiều này giảm các ñiểm ảnh trên ñường
tròn ranh giới, nhưng với cách sử dụng biến ñổi Hough, sự xác ñịnh thành công
vị trí ranh giới có thể ñạt ñược thậm chí thiếu một vài ñiểm ảnh. Khả năng tính
toán nhanh hơn vì các ñiểm ranh giới ñể tính toán ít hơn.
Sử dụng gradient ảnh, các ñỉnh ñược xác ñịnh bằng cách sử dụng sự nén
không tối ña. Nó thực hiện theo cách sau. Một ñiểm ảnh imgrad(x,y), trong
gradient ảnh, và ñưa ra hướng theta(x,y), cạnh cắt 2 trong số 8 hàng xóm liên
thông của nó. ðiểm tại (x,y) là lớn nhất nếu các giá trị của nó không nhỏ hơn
các giá trị tại hai giao ñiểm
Bước tiếp theo, giới hạn hysterisis, loại ra các cạnh kém (không chắc chắn)
thấp hơn một mức giới hạn dưới (giới hạn thấp), nhưng không loại ra nếu chúng
ñược kết nối tới một cạnh cao hơn một mức giới hạn trên (giới hạn cao) qua một
chuỗi các ñiểm ảnh mà tất cả cao hơn giới hạn dưới. Mặt khác, các ñiểm ảnh các
ñiểm ảnh cao hơn giới hạn T1 ñược tách riêng. Sau ñó, các ñiểm này ñược ñánh
dấu như các ñiểm cạnh chỉ khi nào tất cả các ñiểm ảnh phụ cận của nó lớn hơn
giới hạn khác T2. Các giá trị giới hạn ñược tìm thấy bởi vết và lỗi thu ñược là 0.2 và
0.19
a b
Hình 31: a. Ảnh cạnh Canny [12], b.Ảnh cạnh Canny chương trình thực hiện
Sự dò tìm cạnh ñược sinh ra nhờ việc tìm ra các ranh giới của mống mắt và
ñồng tử. Daugman ñã ñề xuất sử dụng phép toán vi phân …. ñể tìm ra các ranh
giới và bán kính. Nó ñược ñưa ra bởi:
52/63
∂ I ( x, y )
max ( r ,x , y ) Gσ (r ) *
0 0 ∫
∂r r ,x , y 2πr
ds (41)
0 0
ðiều này thực hiện như bộ dò tìm cạnh tròn bằng việc tìm kiến gradient ảnh
dọc theo các ñường tròn ranh giới với bán kính tăng dần. Từ khả năng của tất cả
các ñường tròn, tổng lớn nhất ñược tính toán và ñược sử dụng ñể tìm ra tâm và
bán kính ñường tròn.
Xấp xỉ bán kính mống mắt
Bước ñầu tiên trong việc tìm ra bán kính mống mắt thực sự là tìm ra xấp xỉ
bán kính mống mắt. Sự xấp xỉ này sau ñó có thể bắt ñầu ñể tìm ra các tham biến
mống mắt thực sự. ðể tìm ra sự xấp xỉ này một cạnh ñơn lẻ của mống mắt phải
ñược tìm thấy. Như ñã biết các mắt hầu hết bị méo ở phần trên và dưới do các
mí mắt và lông mi, sự lựa chọn tốt nhất tìm một cạnh thông suốt theo ñường
thẳng ngang qua tâm ñồng tử.
ðể quyết ñịnh chọn nơi mà cố gắng dò tìm cạnh mống mắt, câu hỏi ñặt ra
làm việc ñó như thế nào trên các mống mắt. Một vài kiểu dò tìm cạnh có thể
ñược sự dụng. Với bất kỳ sự dò tìm cạnh nào ñể làm mờ ảnh ñể bỏ ñi tạp nhiễu
bất kỳ trước khi thực hiện thuật toán, nhưng làm mờ quá nhiều có thể làm giãn
các ñường biên của cạnh, hoặc làm rất kh ñể dò tìm. Do ñó, một bộ lọc làm nhẵn
ñặc biệt như bộ lọc trung vị (Mean Filter- trung tuyến) có thể ñược sử dụng trên
ảnh gốc.
Sự tịnh tiến mống mắt
Xấp xỉ bán kính mống mắt ñã thu nhận ñược, một bước ñệm nhỏ của giá trị
ñó sẽ ñưa ra một ñường tròn ñã có tâm trên ñồng tử mà bao gồm toàn bộ mống
mắt. Hơn nữa, Với tham biến của ñồng tử ñã biết, một vòng ñược thực hiện mà
sẽ có phần lớn vùng của nó ñược lấp ñầy bởi mống mắt. Vòng này sau ñó ñược
trải ra theo toạ ñộ ñề các qua sự biến ñổi riêng biệt chính xác (r → y, θ → x),
Nếu mống mắt có tâm hoàn toàn trên ñồng tử thì ảnh ñược trải ra sẽ có một
ñường thẳng hoàn hảo dọc theo ñỉnh của nó. Tuy nhiên nếu mống mắt có tâm
ngoài thậm chí một ít ñường thẳng này sẽ là ñường hình sóng. ðường thẳng mô
tả toàn bộ khoảng cách tại từ tâm ñồng tử. ðó là ñường thẳng mà giúp xác ñịnh
ra tâm và bán kính mống mắt. Do ñó, thuật toán dò tìm cạnh thực hiện trên một
dải ñể xác ñịnh vị trí chính xác của ñường thẳng. Hơn nữa dò tìm cạnh Canny
ñược sử dụng. Tuy nhiên trước khi sự dò tìm cạnh ñược thực hiện ảnh sẽ phải trả
qua môột số xử lý trước ñơn giản ñể tăng ñộ tương phản của ñường thẳng. ðIều
53/63
này cho phép sự tạo ngưỡng cao hơn trên sự dò tìm cạnh ñể loạ ra các dữ liệu
không liên quan.
a b c
Hình 32: a.Ảnh với các ñường ranh giới[12],
b và c ảnh với các ñường ranh giới mống mắt chương trình thực hiện
54/63
Quá trình xử lý ảnh của vùng mống mắt phải quan nhiều giai ñoạn. Thêm
vào ñó vùng quan tâm trong ảnh là hình “donut”, và việc giữ các ñiểm ảnh trong
vùng ñó yêu cầu cần sự biến ñổi khối chữ nhật thành cực tương ứng ñược lặp
lại. ðể thực hiện các ñiều ñó dễ dàng, vùng mống mắt ñầu tiên ñược trải ra
thành một khối chữ nhật bằng việc sử dụng hàm lượng giác học ñơn giản. ðiều
này cho phép thuật toán giải mã mống mắt ñể ñịa chỉ các ñiểm ảnh theo ñịnh
dạng ñơn giản (hàng, cột).
b. Tính không ñối xứng của mắt
Mặc dù các ñường tròn ñồng tử và mống mắt hầu như không hoàn toàn
ñồng tâm, hiếm khi ñồng tâm. Trên thực tế, các vùng ñồng tử và mống mắt, mỗi
vùng có sự xác ñịnh vị trí tâm và bán kính ñường tròn bao quanh nó một cách
riêng biệt. ðiều này có nghĩa rằng vùng ñược trải ra giữa ñường bao ñồng tử và
mống mắt không hoàn toàn vẽ thành hình chữ nhật. ðiều ñó dễ ràng chú ý ñến
một lượng giác nhỏ.
c. Thuật toán trải rộng mống mắt
Chương trình thực hiện mô phỏng bước chuẩn hóa ảnh theo phương pháp
trải rộng – biến ñổi cực của Daugman ñã ñược mô tả trong phần trên. Kết quả
chwơng trình thực hiện quá trình này ñược chỉ ra như hình dưới ñây.
Hình 33: ảnh với phần chuẩn hóa – trải rộng mống mắt chương trình
thực hiện theo phương pháp biến ñổi cực của Daugman.
G( x, y) = e −π [( x − x ) / α 2 + ( y − y0 ) 2 / β 2 ]
e −2πi[ u 0 ( x − x 0 ) + v 0 ( y − y 0 )]
2
0
55/63
Trong ñó (x0,y0) chỉ ñịnh vị trí trong hình ảnh, (α,β) chỉ ñịnh ñộ rộng thực
tế và ñộ dài, và (u0,v0) biểu thị sự ñiều biến, chúng có tần số không gian
ω0 = u02 + v02 .
k =1
Trong ñó XJ và Yj là hai mẫu từng bít một ñể so sánh, Xnj và Ynj là các che
dấu tạp nhiễu tương ứng cho Xj và Yj, và n là số các bít biểu thị bởi mỗi mẫu.
Mặc dù, theo lý thuyết, hai mẫu mống mắt sinh ra từ cùng một mống mắt sẽ
có khoảng cách Hamming là 0.0, nhưng trong thực tiễn ñiều ñó không xảy ra.
Bình thường là không hoàn hảo, và cũng có một số tạp nhiễu không bị phát hiện,
vì vậy một số biến thiên sẽ lộ ra khi so sánh hai mẫu mống mắt trong lớp.
ðể tính toán cho sự quay không nhất quán (trái nhau), khi khoảng cách của
hai mẫu ñược tính toán, một mẫu ñược dịch chuyển từng bít sang trái và phải và
một số các giá trị khoảng cách Hamming ñược tính từ sự dịch chuyển liên tục.
Sự dịch chuyển từng bít theo chiều ngang tương ñương sự luân phiên vùng
mống mắt ban ñầu (gốc) bởi một góc sinh ra bằng cách sử dụng ñộ phân giải
góc. Nếu một ñộ phân giải 180 ñược sử dụng, mỗi dịch chuyển tương ứng một
vòng quay 2 ñộ trong vùng mống mắt. Phương pháp này ñược ñề xuất bởi
Daugman, và hiệu chỉnh lỗi liên kết trong mẫu mống mắt chuẩn hoá do ñộ quay
khác nhau trong ảnh. Từ những giá trị khoảng cách Hamming ñã tính toán, chỉ
giá trị thấp nhất ñược chấp nhận, từ ñó tương ứng sự ñối sánh tốt nhất giữa hai
mẫu mống mắt.
Số lượng các bít ñã dịch chuyển trong mỗi lần chuyển dịch ñã chỉ ra bằng 2
lần số lượng các bộ lọc ñã sử dụng, vì mỗi bộ lọc sẽ sinh ra 2 bít thông tin từ
56/63
một ñiểm ảnh của vùng chuẩn hoá. Số lượng thực tế của các lần dịch chuyển
phụ thuộc vào sự quay không nhất quán sẽ ñược xác ñịnh là sự khác nhau góc
lớn nhất giữa hai ảnh của cùng một mắt, và một lần dịch chuyển ñược xác ñịnh
là một lần dịch sang chuyển trái, tiếp theo là dịch chuyển sang phải. Quá trình
dịch chuyển cho mối chuyển dịch ñược minh hoạ trong hình dưới
Hình 34. Một minh hoạ của quá trình dịch chuyển. Một lần dịch chuyển
ñược xác ñịnh là một lần dịch chuyển sang trái và một lần dịch chuyển sang phải
của một mẫu khác nhau. Trong ví dụ này một bộ lọc ñược sử dụng ñể mã hoá
các mẫu, vì vậy chỉ 2 bít ñược dịch chuyển trong một lần dịch chuyển. Khoảng
cách Hamming nhỏ nhất, trong trường hợp này là 0.0, sau ñó ñược sử dụng, vì
tương ứng với khả năng ñối sánh (trùng khớp) tốt nhất giữa 2 mẫu [7].
4.3. Kt qu thc nghim
Quá trình nhận dạng mống mắt sẽ ñược minh hoạ cụ thể thông qua công cụ
ñược xây dựng trong quá trình thực hiện luận văn này. Hình dưới ñây mô phỏng
các bước chính trong giai ñoạn kết nạp của hệ thống.
57/63
Hình 35: Giao diện chính của công cụ minh hoạ các bước chính trong quá trình nhận dạng mống mắt
58/63
Sau khi xử lý ảnh, bằng cách dùng các thuật toán trích trọn ñặc trưng và lưu
mẫu vào hệ thống, những thông tin cần thiết hoàn toàn có thể thu nhận ñược
thông qua việc ñăng ký ảnh mẫu. Ảnh mẫu thu nhận ñược rất ñơn giản thông
qua các thiết bị thu nhận ảnh thông thường, với biện pháp chụp chân dung là
ñược. Tuy nhiên trong hệ thống này sử dụng ảnh sẵn có, người sử dụng cần
chuẩn hóa kích thước ảnh, loại ảnh.
59/63
CHƯƠNG V: KẾT LUẬN CHUNG
Luận văn này tập trung nghiên cứu, tìm hiểu những vấn ñề liên quan ñến
bài toán nhận dạng ảnh mống mắt, từ ñó ứng dụng trong lĩnh vực xác thực người
dung dựa trên những nhân tố sinh trắc, cụ thể với bài toán xác thực HCðT .
Quá trình nhận dạng mống mắt ñược mô tả chi tiết theo từng qui trình.
Trước hết là quy trình trích chọn ñặc trưng của mống mắt. Phân này mô tả các
thuật toán ñể xác ñịnh vùng mống mắt và ñồng tử, xác ñịnh các lông mi, mí mắt,
loại bỏ tạp nhiếu và trích chọn vùng quan tâm. Tiếp theo vùng mống mắt ñã
ñược phân ñoạn ở trên ñược chuẩn hoán bằng các thuật toán như Mô hình tấm
cao su của Daugman, ðăng ký ảnh của Wilde, phương pháp chuẩn hóa phi tuyến
tính.. Trên quá trình phân tích các phương pháp ñể lựa chọn một phương pháp
phù hợp cho hệ thống. Hệ thống sử dụng mô hình tấn cao su của Daugman ñê
thực hiện chuẩn hóa ảnh mống mắt. Trong phương pháp này mống mắt ñược mô
hình hóa như tấm cao su dẻo mà nó ñược trải ra thành các khối chữ nhật với các
kích thước cực cố ñịnh.
Tiếp theo các ñặc trưng của mống mắt ñược trích rút thông qua việc sử
dụng các bộ lọc mã hóa dạng sóng, bộ lọc Gabor, Log-Gabor, dạng sóng Harr,
phương pháp tổng lũy tích….
Cuối cùng là thực hiện so khớp ñặc trưng. Khoảng cách Hamming ñược lựa
chọn ñể thực hiện ñối sánh. Phương pháp thực hiện ño xem khoảng cách không
trùng khớp của các bít giữa hai mẫu là bao nhiêu. Một lỗi của sự ñộc lập thống
kê giữa hai mẫu là kết của của một phép ñối sánh mà thấy ñược hai mẫu này
sinh ra cùng từ một mẫu mống mắt nếu khoảng cách Hamming ñược sinh ra nhỏ
hơn một tập khoảng cách Hamming.
Phần thực nghiệm ñã ñược tiến hành thông qua việc xây dựng công cụ
minh hoạ các bước chính của quá trình so khớp ảnh mống mắt. Do hạn chế chưa
có thiết bị thu nhận ảnh mống mắt, công cụ chỉ dừng ở việc sử dụng ảnh mẫu
sẵn có và chưa có ñược những ñánh giá xác ñáng hơn về tốc ñộ thực hiện, ñộ
chính xác của kết quả so khớp….
Hướng phát triển tiếp theo từ luận văn này tương ñối mở ñối với tác giả.
Việc hoàn chỉnh quá trình ñánh giá hiệu năng quá trình nhận dạng mống mắt sẽ
ñược quan tâm trong thời gian trước mắt dựa trên bộ dữ liệu mẫu của CASIA1.
Ngoài ra, việc phối hợp tìm hiểu, nghiên cứu với những ñơn vị nghiên cứu về
1
Tham khảo thêm tại ñịa chỉ : Center for Biometrics and Security Research
http://www.cbsr.ia.ac.cn/IrisDatabase.htm
60/63
xác thực HCðT cũng sẽ ñược chú trọng ñể từ ñó có thể ứng dụng kết quả nhận
dạng mống mắt vào trong bài toán thực tế.
61/63
TÀI LIỆU THAM KHẢO
1. Tiếng Anh
[1]. Azuyuki Miyazawa,KoichiIto, Takafumi Aok,KojiKobayashi, and
Hiroshi Nakajima, Graduate School of Information Sciences, Tohoku
University, Sendai 980–8579, Japan "A phase_base Iris regnition Algorithm" pp
356-365, 2005
[2]. Bryan Lipinski, David Carr, Dmitry Khabashesku, Paul Robichaux
"Iris Recognition", http://cnx.org/content/col10256/latest/, 2004
[3]. Dr. Martin Herman (DOC), Ms. Usha Karne (SSA), Dr. Michael King
(IC),Mr. Chris Miles (DOJ),Mr. David Temoshok (GSA) ,Mr. Brad Wing
(DHS) ,Mr. Jim Zok (DOT) , "Iris Recognition", 31 March 2006, pp 1-9
[4]. Ehsan M. Arvacheh "A Study of Segmentation and Normalization for
Iris Recognition Systems", Waterloo, Ontario, Canada, 2006
[5]. John Daugman, PhD, OBE "How Iris RecognitionWorks", PP1-10,
University of Cambridge, The Computer Laboratory, Cambridge CB2 3QG, U.K.
[6]. Jong-Gook Ko, Youn-Hee Gil, Jang-Hee Yoo, and Kyo-IL Chung "A
novel anh efficient feature Extraction Method for Iris recognition", ETRI
Journal Volume 29, Number 3, June 2007, pp 399-401
[7]. Libor Masek, “Recognition of Human Iris Patterns for Biometric
Identification”, http://www.csse.uwa.edu.au/~pk/studentprojects/libor/, The
University of Western Australia, Master thesis 2003
[8]. Mei-Jane Chan (Jenny),"Biometric Technology-Iris Recognition",
www.npu.edu/seminars/files, 2007
[9]. Sammer Al-Mashaqbeh, “Iris Recognition For Biometric
Identification”, http://www.samer2.8m.com/, University Of Jordan
[10]. Shrikanth Mohan, Intelligent Systems, Electrical Engineering,
Clemson University, “Iris Recognition for Personal Identification”,
http://www.ces.clemson.edu, 2004
[11]. Xiaomei Liu, Kevin W. Bowyer, Patrick J. Flynn Department of
Computer Science and Engineering University of Notre Dame Notre Dame, IN
46556, U.S.A, “Experiments with an improved Iris segmentation algorithm”,
Fourth IEEE Workshop on Automatic Identification Advanced Technologies
(AutoID), October 2005, New York
[12]. Xiaoyan Yuan and Pengfei Shi "Efficient iris recognition system
based on iris anatiomica structure" IEIECE Electronic Express, Vol.4, No17, pp
555-560, 2007
62/63
[13] Information about the US e-Passport,
http://www.state.gov/r/pa/prs/ps/2006/61538.htm.
[14] Doc 9303, Ninth Draft: Machine Readable Travel Documents, July
2005
[15] Diego Alejandro Ortiz-Yepes, Eindhoven University of Technology:
ePassports: Authentication and Access Control Mechanisms, June, 2007.
63/63