Nhận dạng vân tay sử dụng kỹ thuật học sâu

Nghiên cứu này trình bày 2 mô hình trong kỹ thuật học sâu nhằm nhận dạng 10 ngón tay con người và danh tính của họ. Đầu vào là các ảnh với độ phân giải 96×96. Các ảnh mẫu được lấy từ cơ sở dữ liệu Sokoto Coventry Fingerprint Dataset (SOCOFing).
Nội dung trích xuất từ tài liệu:
Nhận dạng vân tay sử dụng kỹ thuật học sâu LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Nhận dạng vân tay sử dụng kỹ thuật học sâu Fingerprint recognition using deep learning technique Phạm Thị Hường*, Trương Văn Tuấn Email: pthuong@saodo.edu.vn Trường Đại học Sao Đỏ Ngày nhận bài: 27/5/2022 Ngày nhận bài sửa sau phản biện: 30/9/2022 Ngày chấp nhận đăng: 30/9/2022 Tóm tắt Nghiên cứu này trình bày 2 mô hình trong kỹ thuật học sâu nhằm nhận dạng 10 ngón tay con người và danh tính của họ. Đầu vào là các ảnh với độ phân giải 96×96. Các ảnh mẫu được lấy từ cơ sở dữ liệu Sokoto Coventry Fingerprint Dataset (SOCOFing). Kết quả thử nghiệm trên bộ mẫu gồm 1200 ảnh cho khả năng nhận dạng chính xác đạt 99,73% danh tính và 99,90% khi nhận dạng ngón tay, kết quả cho thấy đây là một trong những phương pháp hiệu quả nhằm bảo mật và xác thực người dùng. Từ khóa: Nhận dạng vân tay; xác thực vân tay; mạng nơ-ron tích chập; học sâu. Abstract This study presents two models in deep learning techniques to recognize 10 human fingers and their identity. Inputs are images with a resolution of 96×96. Sample images were obtained from the Sokoto Coventry Fingerprint Dataset (SOCOFing) database. Test results on a sample set of 1200 images for accurate identification of 99.73% of identity and 99.90% of finger recognition. It shows that it is one of the effective methods to secure and authenticate users. Keywords: Fingerprint recognition; fingerprint authentication; convolutional neural network (CNN); Deep learning. 1. ĐẶT VẤN ĐỀ cao hơn khi sử dụng kernel tuyến tính. Tuy nhiên, độ chính xác cao nhất đạt 80% khi hình ảnh được chọn Hệ thống sinh trắc học vân tay là vấn đề bảo mật chính thủ công. trong xã hội hiện đại bởi nó sử dụng các yếu tố sinh lý, sinh học và đặc điểm riêng biệt của mỗi cá nhân. Mỗi Việc phân loại vân tay dựa trên mạng nơ-ron đã được dấu vân tay gần như là duy nhất (theo các nghiên cứu đề xuất trong [5] bằng cách sử dụng cơ sở dữ liệu về Francis Galton năm 1982, xác suất để hai vân tay NIST. Thách thức trong việc phân loại này là độ chính trùng nhau là 1/64 tỷ [1]) ngay cả giữa các cặp song xác và số lượng các bất thường của điểm tâm (core) sinh và không thay đổi trong cuộc đời mỗi con người. hay các điểm  giao của 3 đường  vân  trên ngón  tay Tính riêng biệt này đã minh chứng rằng nhận dạng vân (delta). Trong đó, mạng nơ-ron được sử dụng để thực tay là chính xác và hiệu quả hơn các phương pháp hiện đối sánh cho phát triển nhận dạng và phân loại nhận dạng khác trong việc đảm bảo an ninh công cộng vân tay bằng kỹ thuật truyền ngược. Phân loại dấu vân và điều tra tội phạm như điều tra pháp y, thi hành luật, tay thông qua lập chỉ mục và tái xử lý đã được nghiên truy cập thuế. cứu rộng rãi trong thập kỷ qua. Tuy nhiên, thách thức chính là cơ sở dữ liệu dấu vân tay khó có thể truy cập Vân tay là một vùng riêng biệt trên đầu ngón tay dựa công khai khi mà chỉ có một số hình ảnh cá nhân có trên các đường vân và rãnh. Một số kỹ thuật nhận sẵn để huấn luyện và kiểm chứng, điều này không phù dạng vân tay dựa trên điểm minutiae (tính năng nhỏ hợp cho việc phân loại thống kê phức tạp. nhất định của hình ảnh dấu vân tay) như đối sánh khung xương hoặc hình ảnh tương quan [2]. Hệ thống Leung [6] đã giải quyết vấn đề này bằng cách mở rộng nhận dạng còn chậm và cho kết quả không chính xác. tập huấn luyện sử dụng kỹ thuật mô hình không gian Đôi khi nhiễu xảy ra trong quá trình quét dữ liệu ảnh để có độ chính xác tốt hơn với bộ phân loại Bayes. gây ra sai lệch trong kết quả nhận dạng [3]. Trong [4], Wan et al. [7] đề xuất phương pháp XFinger-net để phương pháp phân loại vân tay sử dụng máy vectơ xác định hình ảnh dấu vân tay bị lỗi một phần (PDFI) hỗ trợ và giảm nhiễu hình thái học gradient được thực dựa trên các đặc điểm của dấu vân tay. Họ đã sử dụng nghiệm trên bộ dữ liệu 6000 ảnh vân tay tại [14]. Kết học sâu để phân đoạn các dấu vân tay bị lỗi và có quả cho thấy việc sử dụng kernel RBF có độ chính xác nhiễu. Phương pháp XFinger-Net cho thấy hiệu suất tốt hơn mặc dù sai lệch trong phân đoạn là điều không Người phản biện: 1. GS. TSKH. Thân Ngọc Hoàn thể tránh được khi dấu vân tay lỗi. Một nghiên cứu 2. TS. Nguyễn Trọng Các được thực hiện bởi AlShehri et al. [8] nhận thấy rằng Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022 23 NGHIÊN CỨU KHOA HỌC đối sánh vân tay khó khăn hơn khi thu nhận hình ảnh trị của chúng quá cao ở những giai đoạn trọng số mô bởi nhiều cảm biến. Phân tích của họ cũng cho thấy hình đã đi vào hội tụ. những điểm minutiae là đặc trưng chính của vân tay. Wu và cộng sự [9] đã đề xuất mô hình CNN để xác 2. NỘI DUNG NGHIÊN CỨU định các mẫu thực dấu vân tay. Các tác giả đã đạt 2.1. Bài toán nhận dạng vân tay được độ chính xác 92,9% đến 94,87%. Takahashi và cộng sự [10] đã trình bày một kỹ thuật thu thập các đặc điểm của dấu vân tay từ kết cấu, điểm minutiae và phổ tần ...