Luận văn mạng noron nhận dạng vân tay

  • 26 trang
  • file .pdf
-1-
BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
LÊ VĂN HOÀNG VŨ
MẠNG NƠRON VÀ NHẬN DẠNG ẢNH VÂN TAY
Chuyên ngành: KHOA HỌC MÁY TÍNH
Mã số: 60.48.01
TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT
Đà Nẵng - Năm 2011
-2-
Công trình ñược hoàn thành tại
ĐẠI HỌC ĐÀ NẴNG
Người hướng dẫn khoa học: PGS. TSKH. Trần Quốc Chiến
Phản biện 1: TS. Nguyễn Thanh Bình
Phản biện 2: TS. Trương Công Tuấn
Luận văn ñược bảo vệ trước Hội ñồng chấm Luận văn tốt
nghiệp thạc sĩ kỹ thuật họp tại Đại học Đà Nẵng vào ngày 10
tháng 9 năm 2011.
* Có thể tìm hiểu luận văn tại:
- Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng.
- Trung tâm Học liệu, Đại học Đà Nẵng.
-3-
MỞ ĐẦU
1. Lý do chọn ñề tài
• Bối cảnh
Việc nhận dạng cá nhân là sự gắn kết một ñặc tính nhận biết
cụ thể nào ñó vào một cá nhân và bài toán của việc tìm ra ñặc tính
nhận biết của một người có thể chia ra thành hai loại bài toán với ñộ
phức tạp khác nhau: xác minh và nhận dạng. Việc xác minh (xác
thực) là nhằm chỉ ñến dạng bài toán quyết ñịnh xác nhận hoặc từ
chối ñối với một yêu cầu xác nhận cụ thể ñược ñưa ra bởi chính cá
nhân yêu cầu. Còn nhận dạng là dạng bài toán tìm kiếm và xây dựng
các ñặc tính nhận biết của một ñối tượng.
Nhận dạng là một ngành khoa học mà vai trò của nó là phân
loại các ñối tượng thành một số loại hoặc một số nhóm riêng biệt.
Tuỳ thuộc vào lĩnh vực ứng dụng, các ñối tượng có thể ở dạng ảnh,
dạng tín hiệu sóng, dạng tín hiệu giọng nói và hình ảnh khuôn mặt
hoặc một kiểu dữ liệu bất kỳ nào ñó mà cần phải phân loại. Những
ñối tượng này ñược gọi bằng một thuật ngữ chung ñó là “mẫu” hay
các “ñặc trưng”. Và từ ñầu những năm 1960, các hệ thống nhận dạng
vân tay tự ñộng AFIS bắt ñầu ñược nghiên cứu và phát triển không
ngừng. Các hệ thống ñã chứng minh ñược tính hiệu quả của nó trong
nhiều lĩnh vực khác nhau có sử dụng kỹ thuật nhận dạng ảnh vân tay
ñể xác ñịnh thân nhân của một người.
Nhận dạng ảnh vân tay ñã và ñang ngày càng trở thành một
ứng dụng không thể thiếu ñược trong ñời sống xã hội của con người.
Với sự ra ñời của ngân hàng ñiện tử, thương mại ñiện tử,…các biện
pháp bảo mật và mang tính riêng tư cần ñược tổ chức và lưu trữ
trong các cơ sở dữ liệu khác nhau. Định danh cá nhân một cách tự
-4-
ñộng ngày càng trở thành một vấn ñề rất quan trọng và cấp thiết. Các
ứng dụng của hệ thống ñịnh danh cá nhân ñược phát triển rộng lớn
trong ñời sống của con người như: Quản lý hộ chiếu, hệ thống ñiện
thoại tế bào, hệ thống rút tiền tự ñộng ATM,…Việc ñịnh danh cá
nhân theo phương pháp truyền thống trước ñây như là dựa vào các
hiểu biết (knowledge-based): mật khẩu, số ñịnh danh cá nhân PIN,…
hay là dựa trên các thẻ bài (token-based): hộ chiếu, thẻ ID,…không
thuận tiện và dễ bị lừa gạt, bởi vì số PIN có thể quên hay có thể bị
ñoán bởi những kẻ mạo danh và các thẻ bài cũng có thể bị quên hay
bị ñánh cắp, vì thế các phương pháp ñịnh danh cá nhân dựa trên hiểu
biết và chứng cứ truyền thống khó ñáp ứng và không thể thuyết phục
về việc bảo mật trong xã hội công nghệ thông tin. Để ñáp ứng các
vấn ñề ñó thì các phương pháp bảo mật bằng các ñặc trưng sinh trắc
học như: Giọng nói, ảnh khuôn mặt, ảnh mống mắt, ảnh vân tay, ảnh
bàn tay, chữ ký,…. Trong các nhận dạng sinh trắc học thì nhận dạng
ảnh vân tay ñã ñược cộng ñồng khoa học chấp nhận và ñã có nhiều
nhà tổ chức, nhà quản lý phần mềm cho ra ñời các hệ thống nhận
dạng vân tay ñang sử dụng một cách hiệu quả và ñang thu hút ñược
sự quan tâm của nhiều nhà khoa học.
• Các hướng nghiên cứu
Ảnh vân tay ñã ñược sử dụng ñể nhận dạng cá nhân ñược sử
dụng từ lâu, và ñược ứng dụng hạn hẹp. Ngày nay vân tay ñược sử
dụng phổ biến trên nhiều lĩnh vực. Trong bối cảnh ñó, theo những
phương pháp cổ ñiển, thủ công ñể nhận dạng ảnh vân tay, mặc dù ñã
ñược nghiên cứu thành công hơn 30 năm qua, nhưng nghiên cứu ñể
hoàn thiện nó vẫn là một vấn ñề ñang ñược nghiên cứu ở nhiều nước
trên thế giới.
-5-
Hiện nay một số nước trên thế giới như Mỹ, Pháp, Nhật ñã
nghiên cứu thành công hệ thống nhận dạng vân tay cho công tác
hình sự. Mặc dù ñã có những tiến bộ ñáng kể trong việc thiết kế các
hệ thống nhận dạng vân tay trong hơn 30 năm qua nhưng do một số
yếu tố như thiếu các thuật toán trích ñặc ñiểm ñủ tin cậy, khó khăn
trong việc xác ñịnh một cách ñịnh lượng sự giống nhau giữa hai vân
tay, vấn ñề phân loại vân tay v.v..., các hệ thống nhận dạng vân tay
hiện nay vẫn chưa ñạt ñược tính năng mong muốn. Vì vậy hệ thống
nhận dạng vân tay vẫn ñang ñược nghiên cứu rộng rãi trên thế giới
nhằm cải thiện tính năng của nó.
• Lý do chọn ñề tài
Cùng với sự phát triển mạnh mẽ của công nghệ thông tin, sự ra
ñời xã hội thông tin ñiện tử mà trong ñó bao gồm các ứng dụng về
thương mại ñiện tử, ngân hàng ñiện tử,…việc bảo mật thông tin cho
các khách hàng là thật sự cần thiết. Nhận dạng qua ảnh vân tay là
một trong những biện pháp bảo mật an toàn nhất. Ảnh vân tay sử
dụng ñể nhận dạng cá nhân ñã ñược nghiên cứu thành công hơn 30
năm qua nhưng nghiên cứu ñể hoàn thiện nó vẫn là một vấn ñề ñang
ñược nhiều nước trên thế giới quan tâm. Vì vậy, tôi chọn vấn ñề
“MẠNG NƠRON VÀ NHẬN DẠNG ẢNH VÂN TAY” làm ñề tài
nghiên cứu. Sở dĩ, chúng tôi lựa chọn mạng nơron làm công cụ ñể
thể hiện các thuật toán nhận dạng bởi lẽ mô hình mạng nơron ñược
xây dựng theo nguyên tắc mô phỏng hoạt ñộng bộ não của con người
nên nó rất thích hợp với bài toán nhận dạng và so với các công cụ
khác thì mạng nơron có những ưu ñiểm vượt trội sau:
- Mạng nơron có thể ñược coi như một bộ xấp xỉ vạn năng.
- Có khả năng học và thích nghi với các mẫu mới.
-6-
- Có khả năng tổng quát hoá: Mạng có thể ñưa ra những kết quả
mang tính tổng quát hoá.
- Có khả năng dung thứ lỗi: Có thể chấp nhận sai số trong tập dữ
liệu ñầu vào.
- Mạng có tốc ñộ tính toán cao dẫn ñến tốc ñộ nhận dạng nhanh.
2. Ý nghĩa, mục ñích của ñề tài
Mục ñích chính của ñề tài là: Nghiên cứu tích hợp kỹ thuật
trích chọn ñiểm ñặc trưng và ñối sánh ảnh vân tay theo mô hình
mạng nơron giúp cải thiện khả năng trích chọn ñiểm ñặc trưng cục
bộ trên ảnh vân tay, ñồng thời tăng ñộ chính xác và tốc ñộ ñối sánh
ảnh vân tay tìm kiếm với các mẫu vân tay trong cơ sở dữ liệu.
Đề tài góp phần nghiên cứu xây dựng hệ thống nhận dạng vân
tay theo mô hình mạng nơron là một hướng phát triển rất mạnh trong
kỹ thuật nhận dạng hiện nay.
• Về mặt lý thuyết
- Giới thiệu về hệ thống nhận dạng vân tay và kỹ thuật nhận
dạng sử dụng mạng nơron.
- Hệ thống các kỹ thuật nâng cấp ảnh vân tay.
- Vấn ñề trích chọn ñặc trưng và ñối sánh ảnh vân tay.
- Phát triển mạng nơron ba lớp có cải tiến ñể nhận dạng các
ñặc trưng cục bộ.
• Về mặt thực tiến
Xây dựng ứng dụng nhận dạng vân tay sử dụng mạng nơron.
Từ ñây ñưa một ứng dụng thực tế: bảo mật các thông tin của cán bộ,
học sinh và ñặc biệt là trong hệ thống thư viện trong các trường học
thay thẻ bạn ñọc bằng ảnh vân tay ñể minh hoạ cho tính khả thi của
ñề tài.
3. Đối tượng và phạm vi nghiên cứu
-7-
3.1. Đối tượng nghiên cứu
Đối tượng nghiên cứu chính là:
- Các ñặc trưng trên ảnh vân tay trong mẫu dữ liệu ảnh vân tay
thu ñược.
- Một số mô hình mạng nơron ñang ñược sử dụng trong lĩnh
vực nhận dạng.
- Phương pháp trích chọn ñiểm ñặc trưng vân tay theo mô hình
mạng nơron.
- Kỹ thuật ñối sánh ảnh vân tay.
3.2. Phạm vi nghiên cứu
Phạm vi nghiên cứu giới hạn:
- Các ñặc trưng cục bộ của ảnh vân tay.
- Số lượng mẫu nghiên cứu khoảng 500 mẫu là ảnh vân tay.
- Kỹ thuật trích chọn ñiểm ñặc trưng theo mô hình mạng nơron
- Kỹ thuật ñối sánh ảnh vân tay theo các ñiểm ñặc trưng cục
bộ.
4. Phương pháp nghiên cứu
Để thực hiện ñề tài ñã nêu ra, cần kết hợp mềm dẻo giữa hai
phương pháp nghiên cứu: phương pháp nghiên cứu lý thuyết và
phương pháp nghiên cứu thực nghiệm, ñược thực hiện theo các bước
sau:
• Nghiên cứu lý thuyết về vân tay và hệ thống nhận dạng ảnh
vân tay:
- Nghiên cứu về tài liệu và thiết bị nhận dạng ảnh vân tay.
- Ảnh vân tay và quá trình thu nhận ảnh, lưu trữ ảnh vân tay.
- Các kỹ thuật nhận dạng ảnh vân tay.
- Ngôn ngữ cài ñặt chương trình nhận dạng ảnh vân tay.
-8-
• Nghiên cứu lý thuyết các ñiểm ñặc trưng của ảnh vân tay,
trích chọn ñiểm ñặc trưng của ảnh vân tay, ñối sánh ảnh vân tay:
- Một số ñiểm ñặc trưng của ảnh vân tay.
- Các kỹ thuật trích chọn ñiểm ñặc trưng và ñối sánh ảnh vân
tay.
- Mô hình mạng nơron trong nhận dạng ảnh.
- Xây dựng module trích chọn ñiểm ñặc trưng cục bộ.
• Nghiên cứu thực nghiệm thu thập dữ liệu cho kho các mẫu
ñể ñối sánh:
- Xây dựng cách thu thập dữ liệu ảnh vân tay của học sinh,
cán bộ và một số ảnh vân tay bên ngoài.
- Đi thực tế thu thập dữ liệu ảnh vân tay.
- Xây dựng module ñối sánh ảnh vân tay.
• Nghiên cứu thực nghiệm nhằm xác ñịnh và ñánh giá các kết
quả ñối sánh:
- Dựa trên các tỷ lệ loại bỏ sai (FRR) và tỷ lệ chấp nhận sai
(FAR).
- Đưa ra các quyết ñịnh
5. Phương tiện nghiên cứu
Trong quá trình làm luận văn, chúng tôi ñã tham khảo các tài
liệu từ các nguồn sau: các giáo trình, các sách tham khảo, các bài
báo, tập chí về nhận dạng ảnh vân tay, các tài liệu trên mạng Internet,
các luận văn thạc sĩ và các ñồ án tốt nghiệp kỹ sư có liên quan, các
phần trợ giúp của các phần mềm nhận dạng vân tay. Tất cả các
nguồn này ñã ñược ghi trích dẫn trong luận văn và liệt kê ñầy ñủ
trong phần tài liệu tham khảo.
6. Ý nghĩa khoa học và thực tiễn của ñề tài
-9-
Trong luận văn ñã sử dụng mạng nơron ñể trích chọn các
ñiểm ñặc trưng cục bộ trên ảnh vân tay và xây dựng bộ ñối sánh ảnh
vân tay dựa trên các ñiểm ñặc trưng cục bộ. Đây là cơ sở ñể xây
dựng hệ thống nhận dạng ảnh vân tay phục vụ cho công tác bảo mật
các thông tin của cán bộ, học sinh và ñặc biệt là trong hệ thống thư
viện của các trường học thay thẻ bạn ñọc bằng ảnh vân tay ñể minh
họa cho tính khả thi của ñề tài.
7. Những vấn ñề sẽ giải quyết
Để ñáp ứng các mục ñích ñề ra ở trên, trong luận văn này chúng
tôi tập trung giải quyết các nội dung chính sau :
- Xem xét một cách khái quát qui trình của một hệ nhận dạng
ảnh vân tay.
- Nghiên cứu chi tiết hơn về các công ñoạn trích chọn ñiểm ñặc
trưng cục bộ và ñối sánh ảnh vân tay trong quá trình nhận dạng
ảnh vân tay.
- Đề cập ñến một số kỹ thuật phổ biến trong việc trích chọn ñiểm
ñặc trưng cục bộ và ñối sánh ảnh vân tay.
- Khảo sát một số mô hình mạng nơron hiện tại ñang ñược sử
dụng trong lĩnh vực nhận dạng. Qua ñó ñánh giá ñược ưu, nhược
ñiểm của từng mô hình nhằm ñề xuất ñược một số hướng cải tiến
ñể có ñược một mô hình thích hợp với việc trích chọn ñiểm ñặc
trưng.
- Đề xuất các kỹ thuật nâng cấp ảnh vân tay trước khi ñưa vào
trích chọn ñiểm ñặc trưng và ñối sánh ảnh vân tay.
- Đề xuất mô hình mạng nơron ba lớp thích hợp cho việc trích
chọn ñặc trưng ảnh vân tay.
- Xây dựng một bộ ñối sánh ảnh vân tay tìm kiếm với các ảnh
vân tay mẫu thu nhận ñược.
- 10 -
8. Kết quả ñạt ñược
- Xây dựng mạng nơron ñể trích chọn ñặc trưng cục bộ của ảnh
vân tay.
- Xây dựng phần mềm nhận dạng ảnh vân tay.
9. Bố cục của luận văn
Ngoài phần mở ñầu, kết luận, tài liệu tham khảo và phụ lục
trong luận văn gồm có các chương như sau :
Chương 1: Tổng quan về nhận dạng ảnh vân tay dựa trên mô
hình mạng nơron.
Chương 2: Trích chọn ñiểm ñặc trưng và ñối sánh ảnh vân tay
dựa trên mạng nơron.
Chương 3: Chương trình thử nghiệm hệ thống trích chọn ñiểm
ñặc trưng và ñối sánh ảnh vân tay.
- 11 -
CHƯƠNG 1 - TỔNG QUAN VỀ NHẬN DẠNG ẢNH VÂN
TAY DỰA TRÊN MÔ HÌNH MẠNG NƠRON
1.1. Tổng quan về mạng nơron
1.1.1. Cấu trúc của một nơron
Một nơron là một ñơn vị xử lý thông tin và là thành phần cơ bản
của một mạng nơron [3]. Cấu trúc của một nơron ñược mô tả trên
hình 1.1


 Hàm kích
 hoạt
Các tín 

hiệu vào  ∑ Đầu ra


 Hàm
 tổng


Các trọng số
liên kết
Hình 1.1 : Cấu trúc của một nơron.
Nhìn chung, mỗi nơron ñược tạo thành từ những thành phần cơ
bản sau [3]: Tập các ñầu vào, tập các liên kết, một bộ tổng (Summing
function), một giá trị ngưỡng (còn gọi là một ñộ lệch - bias), một
hàm kích hoạt (Activation function), một ñầu ra.
1.1.2. Các phương pháp huấn luyện một mạng nơron
Hai phương pháp máy học phổ biến thường ñược ñề cập ñến
trong lĩnh vực trí tuệ nhân tạo ñó là: phương pháp học có thầy (còn
gọi là học có giám sát - supervised learning) và phương pháp học
không có thầy (học không có giám sát - unsupervised learning) [3].
- 12 -
1.2. Lịch sử về quản lý, nhận dạng vân tay và ứng dụng của hệ
thống nhận dạng ảnh vân tay
1.3. Ảnh vân tay
Ảnh vân tay là một mẩu gồm các ñường vân và rãnh trên các ñầu
ngón tay, nó ñược sử dụng ñịnh danh cá nhân một con người.
1.4. Tính cá nhân và bất biến của vân tay
1.4.1. Tính bất biến
1.4.2. Tính ñộc nhất
1.5. Thu nhận và lưu trữ ảnh vân tay
1.5.1. Thu nhận ảnh vân tay
1.5.2. Lưu trữ ảnh và các thông tin ñặc trưng của vân tay
1.6. Các ñặc trưng của vân tay và trích chọn các ñặc trưng
1.7. Vai trò của ñiểm ñặc trưng và hướng ñiểm ñặc trưng trong
nhận dạng ảnh vân tay
1.8. Phân lớp
1.9. Đối sánh ảnh vân tay
1.10. Kiến trúc của hệ thống nhận dạng ảnh vân tay
1.11. Phân lớp
1.12. Đối sánh ảnh vân tay
1.13. Kiến trúc của hệ thống nhận dạng ảnh vân tay
Kiến trúc của một hệ thống ñịnh danh dựa vào ảnh vân tay thường
có 4 phần [13]: Giao diện người dùng, hệ thống cơ sở dữ liệu, modul
kết nạp và modul ñịnh danh tự ñộng.
1.14. Mạng MLP và ứng dụng trong nhận dạng ảnh vân tay
Mạng MLP - mạng nơron nhiều lớp (MultiLayer Perceptrons) là
mô hình mạng phổ biến nhất, thường ñược sử dụng trong nhận dạng
[10], [20]. Cấu trúc mạng MLP là sự kết hợp của nhiều lớp nơron (ít
- 13 -
nhất là hai lớp), trong ñó mỗi lớp noron ñược tạo thành từ nhiều
Perceptron và sự liên kết giữa các nơron là liên kết ñầy ñủ.
1.14.1. Cấu trúc một Perceptron
1.14.2. Kiến trúc mạng nhiều lớp truyền thẳng (MLP)
1.14.3. Quá trình huấn luyện mạng MLP
1.14.4. Ưu, nhược ñiểm của mạng MLP
1.15. Kết luận
Trong chương này, ñề cập ñến các bước cơ bản của một quá trình
nhận dạng ảnh vân tay. Có nhiều cách tiếp cận ñể nhận dạng ảnh vân
tay, trong ñó cách tiếp cận nhận dạng ảnh vân tay dựa trên mô hình
mạng nơron ñang trở thành một trong những hướng nghiên cứu
chính. Mô hình mạng phổ biến nhất thường ñược sử dụng trong nhận
dạng ảnh vân tay là mô hình mạng MLP (3 lớp). Bằng việc khảo sát
chi tiết trên mô hình lý thuyết kết hợp với cài ñặt thực nghiệm, luận
văn ñã rút ra ñược những ưu, nhược ñiểm chính của mạng MLP với
thuật toán huấn lan truyền ngược sai số. Từ ñó ñề xuất hướng cải tiến
nhằm nâng cao chất lượng nhận dạng.
- 14 -
CHƯƠNG 2 - TRÍCH CHỌN ĐIỂM ĐẶC TRƯNG VÀ
ĐỐI SÁNH ẢNH VÂN TAY DỰA TRÊN MẠNG NƠRON
2.1. Giới thiệu
Với mục tiêu là Trích chọn ñặc trưng và ñối sánh ảnh vân tay
dựa trên mạng nơron vấn ñề ñặt ra như sau : Khử nhiễu ñầu
vào,trích chọn và tăng cường các ñặc tính trên ảnh vân tay, trích
chọn ñiểm ñặc trưng cục bộ theo mô hình mạng nơron, ñối sánh các
ñiểm ñặc trưng cục bộ.
2.2. Nâng cấp ảnh vân tay
2.2.1. Sơ lược về nâng cấp ảnh
Nâng cấp ảnh là kỹ thuật làm nổi bật các thuộc tính ảnh như:
sườn, ñường biên, ñộ tương phản v.v..ñể dễ dàng phân tích.
2.2.2. Các kỹ thuật nhị phân hoá ảnh
2.2.3. Kỹ thuật kéo dãn lược ñồ xám
2.2.4. Thuật toán nâng cấp vân tay nhiều bước
Một thuật toán nâng cấp ảnh vân tay làm việc với ñầu vào là một
ảnh vân tay (thường là chất lượng không tốt), sau một số bước xử lý
trên bức ảnh, ảnh sau nâng cấp sẽ ñược ñưa ở ñầu ra. .
 Kết quả ñạt ñược và thực nghiệm:
Mục ñích của một thuật toán nâng cấp vân tay là nhằm cải thiện
hơn ñộ trong sáng giữa lằn vân và thung lũng trong ảnh vân tay ñầu
vào, hay nói cách khác là làm tách biệt rõ ràng giữa các lằn vân.
Thuật ngữ “tách biệt” ở ñây bao hàm cả nâng cao ñộ tương phản biến
ñổi giữa lằn vân - thung lũng vân và tăng ñộ ñồng ñều chạy dọc theo
các lằn. Chúng tôi ñã cài ñặt thành công phương pháp lọc khử nhiễu
Gabor. Đây là một cách làm hữu hiệu ñể loại bỏ các nhiễu không
mong ñợi, thực chất là áp dụng một ma trận nhân chập theo hướng
của ñường vân và “vuốt mượt” ñường vân theo một dạng hình sin.
- 15 -
Tất cả những ñiểm nhiễu sẽ bị cắt bỏ nếu chúng gây những tần số
không phù hợp. Kết quả ñạt ñược sau khi lọc hầu hết nhiễu ñã bị cắt
bỏ, nhờ lọc theo hướng nên thuật toán có thể nối liền những ñường
vân bị ñứt ñoạn ñồng thời bảo toàn các ñiểm ñặc trưng.
2.3. Trích chọn ñiểm ñặc trưng
2.3.1. Giới thiệu
Trong phạm vi luận văn này, chúng tôi chỉ khảo sát rút trích các
ñiểm ñặc trưng cục bộ từ ảnh vân tay ñã ñược làm mảnh theo sơ ñồ
thuật toán ñược ñề xuất theo hình 2.20
Ảnh vân tay ñã ñược nâng cấp
Làm mảnh ñường vân
Trích chọn ñặc trưng cục bộ
theo phương pháp mạng nơron
Vectơ hướng các ñường vân
Vectơ ñặc trưng cục bộ
Hình 2.20 : Thuật toán trích chọn ñiểm ñặc trưng cục bộ
2.3.2. Trích chọn ñiểm ñặc trưng dựa trên sự biến ñổi mức xám
2.3.3.Trích chọn ñiểm ñặc trưng cục bộ trên ảnh ñã ñược làm
mảnh
- 16 -
2.3.3.1. Làm mảnh ñường vân của ảnh vân tay
Làm mảnh ñường vân hay còn gọi là xương hoá ñường vân là quá
trình loại bỏ biên của ảnh ñể thu ñược ảnh có ñộ rộng 1 pixel, nhưng
không làm thay ñổi hình dạng của ảnh.
2.3.3.2. Trích chọn ñiểm ñặc trưng dựa trên mô hình mạng nơron
• Kiến trúc của mạng : Để trích chọn ñiểm ñặc trưng cục
bộ của ảnh vân tay, chúng tôi sử dụng mô hình mạng nơron MLP có
ba lớp ñược huấn luyện ñể dò tìm các ñiểm ñặc trưng trên ảnh vân
tay ñã ñược làm mảnh (xem hình 2.28). Mạng có cấu trúc như sau :
- Lớp vào có 9 nơron kết hợp trực tiếp với các thành phần của
vectơ ñầu vào. (lớp IN)
- Lớp ẩn có 5 nơron kết hợp ñầy ñủ với lớp vào và lớp ra (Lớp H)
- Lớp ra có 1 nơron kết hợp ñầy ñủ với lớp ẩn (Lớp O)
Ảnh gốc Ảnh ñầu Lớp vào Lớp ẩn Lớp Out
vào 3x3 (Lớp IN) (Lớp O)
(Lớp H)
• W
1
• W
2
• •
• •
• (0,1)
• •
• • b2
Tiền xử lý :

Xoá nhiễu, • b1
nối nét , làm Kết nối trực
tiếp với các Kết nối Kết nối
mảnh ảnh
nơron ñầu vào ñầy ñủ ñầy ñủ
Mạng noron truyền thẳng ba lớp
Hình 2.28 : MH mạng nơron truyền thẳng nhận dạng ñặc trưng cục bộ
- 17 -
Giá trị của các nơron ñầu vào của mạng là giá trị của các ñiểm
ảnh ñược lấy một cách trực tiếp từ ảnh gốc, ñưa vào mạng dưới dạng
cửa sổ 3x3 ñược mã hoá dưới dạng véc tơ một chiều (xem hình 2.29).
các nơron ñầu vào của mạng sẽ nhận giá trị là các kết quả tổng hợp
ñược trên từng vùng ñặc trưng.
X1 X2 X3
X4 X5 X6 X=(X1, X2,X3,X4,X5,X6,X7,X8,X9)
X7 X8 X9
Hình 2.29 : Tổ chức mã hoá vectơ ñầu vào của mạng nơron
• Thuật toán huấn luyện mạng : Do mô hình mạng ba lớp
nhận dạng các ñặc trưng cục bộ ñược phát triển từ một mạng ba lớp
truyền thẳng nên về cơ bản, ở ñây sử dụng thuật toán lan truyền
ngược sai số.
Trong phần luận văn chúng tôi Sử dụng tham số bước ñà
(Momentum) một biến thể của thuật toán lan truyền ngược sử dụng
phương pháp học cả gói nhằm vượt qua các nhược ñiểm này. Đây là
một phương pháp heuristic dựa trên quan sát kết quả luyện mạng
nhằm làm tăng tốc ñộ hội tụ của thuật toán lan truyền ngược dựa trên
kỹ thuật giảm nhanh nhất. Thuật toán lan truyền ngược cập nhật các
tham số của mạng bằng cách cộng thêm vào một lượng thay ñổi là:
∆Wi(k+1) = βi(Wk- Wk-1) (2.67)
∆b (k+1) = β (bk- bk-1)
i i
(2.68)
Trong ñó : β : là hệ số bước ñà trên các lớp
i
Trong quá trình thực hiện chúng tôi ñã chứng tỏ ñược rằng khi sử
dụng tham số bước ñà với hệ số học không thay ñổi so với thuật toán
lan truyền ngược chuẩn không sử dụng tham số bước ñà thì vẫn giữ
ñược ñộ tin cậy của thuật toán và một ñiểm khác nữa là khi sử dụng
tham số bước ñà thì sự hội tụ của thuật toán sẽ ñược tăng tốc nếu như
- 18 -
thuật toán ñang ñi theo một hướng bền vững (chỉ ñi xuống trong một
khoảng dài).
Để thuận tiện cho việc trình bày, phần sau ñây sẽ nhắc lại những
kí hiệu ñã ñược sử dụng trong mạng:
 err_max: Sai số tối ña cho phép của mạng.
 I: Tổng số lần lặp tối ña cho phép.
 p: số ñầu vào của mạng (tổng số phần tử của lớp ñầu vào).
 W1, W2: lần lượt là các ma trận trọng số liên kết giữa mặt phẳng
H (lớp ẩn) với mặt phẳng ñầu vào IN, giữa mặt phẳng H với mặt
phẳng O (lớp OUT)
 b1, b2: Lần lượt là ñộ lệch của các lớp IN, H và O.
 1, 2: Lần lượt là các hệ số học trên các lớp IN, H và O.
 β1, β2: Lần lượt là các hệ số Momentum trên các lớp IN, H và O
 f1, f2: Lần lượt là các hàm chuyển trên các lớp IN, H và O (ở ñây
các hàm f1, f2 là hàm Log-Sigmoid).
 n1, n2: Lần lượt là tổng số phần tử của các lớp input, IN, H, O.
 v1, v2 : Lần lượt là các vector tổng trên các lớp IN, H và O.
 y1, y2: Lần lượt là các vector giá trị ñầu ra của các lớp IN, H và O.
Thuật toán huấn luyện mạng ñược mô tả một cách cụ thể như sau:
INPUT: Tập mẫu học ñược cung cấp dưới dạng {(x = x1,..., xp) , (t = 0,1)}
OUTPUT: Các ma trận trọng số W1 , W2
PROCESS:
Bước 1: Khởi tạo:
- Khởi tạo các tham số mạng err_max, bi, i,βi, I...(i= 1→2).
- Khởi tạo các giá trị một cách ngẫu nhiên cho các ma trận trọng số W1, W2.
Bước 2: Đưa mẫu huấn luyện vào mạng (thiết lập các ñầu vào và các giá
trị mục tiêu cho mạng).
Bước 3:
- 19 -
3.1 Tính giá trị ñầu ra của các nơron trên lớp ẩn H theo các công thức
(1.9) và (1.10)
3.2 Tính giá trị các ñầu ra của các lớp O theo các công thức
(1.9),(1.10)
Bước 4:
4.1 Tính sai số của lớp O theo công thức (1.29), (1.22) và (1.23)
4.2 Nếu sai số tính ñược > sai số hiện thời của mạng thì cập nhật lại
sai số hiện thời của mạng.
4.3 Áp dụng phương pháp lan truyền ngược sai số ñể tính lần lượt sai
số của O và H theo các công thức (1.25) và (1.22)
Bước 5: Cập nhật lại giá trị của các ma trận trọng số Wi và ñộ lệch bi
(i=1→2) của các lớp H và O theo công thức (2.69) và (2.70)
Bước 6: Lặp lại các bước 3, 4, 5 ñối với các mẫu huấn luyện mới cho
ñến khi các tham số tự do của mạng ổn ñịnh và Sai số mạng ≤
err_max hoặc Số lần lặp > I.
Bước 7: return kết quả, nếu quá trình huấn luyện thành công thì trả về
các ma trận trọng số Wi (i=1→2), trường hợp ngược lại thì trả
về thông báo lỗi.
Sau khi huấn luyện mạng thành công, chúng ta sẽ thu ñược hai
ma trận trọng số liên kết W1, W2 và các ngưỡng b1, b2. Các dữ liệu
này sau ñó sẽ ñược lưu ra file ñể sử dụng cho quá trình nhận dạng.
• Thuật toán nhận dạng ñược thể hiện như sau:
INPUT: - Các hệ số học và các hệ số ñộ lệch trên mỗi lớp: αi,
bi ,βi (i = 1→2).
- Các ma trận trọng số: W1, W2
- Ảnh mẫu của kí tự cần nhận dạng ñược ñưa vào mạng dưới
dạng vector P chiều, với P là kích thước của ảnh.
OUTPUT: Giá trị ñầu ra N (N=1 ñiểm ñặc trưng, N=0 không là
- 20 -
ñiểm ñặc trưng)
PROCESS:
Bước 1: Tính giá trị các ñầu ra của các lớp H, O theo các công
thức (1.11), (1.12) và (1.25).
Bước 2: Output: giá trị ñầu ra của lớp O bằng 1 là ñiểm ñặc
trưng, bằng 0 không là ñiểm ñặc trưng.
Để nhận dạng ñưa ảnh ñầu vào là ảnh của vân tay ñã ñược làm
mảnh, dùng cửa sổ 3x3 ñi qua lần lượt các ñiểm ảnh trên ảnh vân tay.
Hình 2.30 cho thấy tập mẫu huấn luyện ñể xác ñịnh các ñiểm rẽ
nhánh tương ứng với các cửa sổ 3x3. Trong tập mẫu này có 16 mẫu
ñại diện cho các ñiểm rẽ nhánh của ảnh vân tay với 8 hướng khác
nhau và 36 mẫu không phải là ñiểm rẽ nhánh. Mạng ñược huấn luyện
với thuật toán trên với hệ số Momentum β=0.9 và hệ số học α=0.3.
Các mẫu rẽ nhánh Các mẫu không phải ñiểm rẽ nhánh
Hình 2.30 : Tập mẫu huấn luyện