Tiểu luận XÁC THỰC NGƯỜI DÙNG TRÊN THIẾT BỊ DI ĐỘNG BẰNG SINH TRẮC HỌC

ĐẠI HỌC QUỐC GIA TPHCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
KHOA KHOA HỌC & KỸ THUẬT MÁY TÍNH

BÀI TẬP LỚN MÔN CƠ SỞ DỮ LIỆU NÂNG CAO

XÁC THỰC NGƯỜI DÙNG TRÊN THIẾT BỊ DI ĐỘNG
BẰNG SINH TRẮC HỌC

GVHD:
PGS.TS. Đặng Trần Khánh
HVTH:
Bùi Nguyễn Tây Nguyên (12070529)
Lê Viết Hoàng Nguyên (12070530)
Lâm Bảo Vương
(12073142)

TPHCM, 05/2013


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

TÓM TẮT ĐỀ TÀI

GVGD: PGS.TS. Đặng Trần Khánh

2


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

MỤC LỤC

GVGD: PGS.TS. Đặng Trần Khánh

3


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

Chương 1: Phương Pháp Xác Thực Người Dùng
Bằng Sinh Trắc Học
Một số phương pháp sinh trắc học được sử dụng ở nhiều ứng dụng khác nhau.Mỗi
đặc điểm sinh trắc học có ưu điểm và nhược điểm riêng và nó phụ thuộc vào ứng dụng.
Không có một sinh trắc nào là hoàn hảo để đáp ứng tất cả các yêu cầu.Nói cách khác thì
không có sinh trắc học nào là tối ưu mặc dù một số có thể chấp nhận được.Sự phù hợp
của sinh trắc học cho từng ứng dụng phụ thuộc vào yêu cầu cụ thể của từng ứng dụng [2].

Fingerprint

Face

Iris

Signature recognition
Voice recognition
Hình I : Một số phương pháp xác thực người dùng trên mobile.

GVGD: PGS.TS. Đặng Trần Khánh

4

Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

1.1 Nhận Dạng
Dấu Vân
Tay
(Fingerprin
t
Recognition
)
Khoa học về dấu vân tay hiện đại được Francis Galton [3] khởi xướng vào cuối thế
kỷ thứ XIX. Năm 1868 nhà bác học Roberts chỉ ra rằng mỗi ngón tay có một môi trường
phát triển vi mô khác nhau; ngoài ra ngón tay cái và ngón tay trỏ còn phải chịu thêm một
vài tác động môi trường riêng. Vì vậy, vân tay trên mười đầu ngón tay của một cá nhân
khác nhau. Hai anh em (chị em) song sinh cùng trứng có dấu vân tay khá là giống nhau
nhưng vẫn có thể phân biệt được rõ dấu vân tay của từng người [3].
Xác thực người dùng sử dụng phương pháp nhận dạng dấu vântay là sử dụng những
đặc điểm của những ngón tay và những đặc điểm liên quan đến nó bao gồm vòng xoắn,
vòng cung, vòng thắt tạo nên dấu vân tay [2]. Hiện nay có nhiều phương pháp nhận dạng
dấu vân tay nhưng đạt được hiệu quả cao nhất thì có hai phương pháp [4]:
 Phương pháp nhận dạng dựa trên đặc trưng (feature-based approach):Đây là
phương pháp nhận dạng dấu vân tay cổ điển. Phương pháp này rút trích đặc
trưng của vân tay sau đó đem so khớp với vân tay đã được đăng kí để nhận dạng
đối tượng. Phương pháp này có nhược điểm là phải phải cung cấp dấu vân tay
có chất lượng cao (chính xác, rõ ràng các chi tiết) mới đạt được kết quả mong
muốn.
 Phương pháp nhận dạng dựa trên sự tương quan (correlation-based approach):
Phương pháp này sử dụng kỹ thuật matching các thành phần phase vào trong
biến đổi rời rạc Fourier (2D DFTs) của hình ảnh đầu vào để xác nhận đối tượng

truy cập. Trong lịch sử, phương pháp này đạt hiệu quả cao trong các ứng dụng
thị giác máy tính. Việc sử dụng thông tin ở giai đoạn biến đổi rời rạc Fourier

GVGD: PGS.TS. Đặng Trần Khánh

5


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
nhằm làm tăng độ tin cậy của dấu vân tay khi dấu vân tay không chất lượng
(không rõ ràng, độ phân giải thấp..)

1.2 Nhận Dạng
Khuôn Mặt
(Face
Recognition
)
Phương pháp nhận dạng bằng khuôn mặt là một phương pháp nonintrusive và hình
là một kỹ thuật ghi nhận khuôn mặt từ camera và phân tích những đặc điểm đặc biệt như
khoảng cách giữa hai mắt, mũi, miệng và cạnh hàm. Những độ đo này được lưu trữ trong
cơ sở dữ liệu để sử dụng để xác thực người dùng. Nhận dạng khuôn mặt có thể thực hiện
theo hai cách.
 Face appearance: Sử dụng những biến đổi Fourier của hình ảnh với tần số cơ
bản của nó và hình thành các eigenface bao gồm các eigen vector của ma trận
hiệp phương sai (covariance matrix) của bộ hình ảnh huấn luyện. Sự khác biệt
của những khuôn mặt bị bắt được không bị nhiễu hoặc bị chiếu sáng ở nhiều
mức độ khác nhau.
 Facial thermograms: phương pháp này sử dụng máy quét hồng ngoại để xác
định những đặc điểm trên khuôn mặt.Kỹ thuật này không bị ảnh hưởng khi cải
trang thậm chí phẫu thuật thẩm mỹ hoặc vấn đề về ánh sáng.Kỹ thuật này cung

cấp độ chính xác cao, tốc độ và độ tin cậy cao và yêu cầu lưu trữ tối thiểu.Để
ngăn chặn một khuôn mặt giả, nhiều hệ thống hiện nay đòi hỏi người sử dụng
phải mỉm cừoi, chớp mắt hoặc chuyển động cơ thể trước khi xác minh.Kỹ thuật
này được xem như là một công cụ tiềm năng để ngăn chặn khủng bố, trại giam
cũng như giao dịch trong ngân hàng tự động.
 Ngoài ra còn có một số phương pháp nhận dạng khuôn mặt khác như Face
geometry: Mô hình những khuôn mặt được quy về những đặc trưng bất biến như

GVGD: PGS.TS. Đặng Trần Khánh

6


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
mắt, miệng và khung hình học của những đặc trưng này. Cách nhận dạng khuôn
mặt này sau này gặp phải một số vấn đề về matching constellations.

1.3 Nhận Dạng
Giọng Nói
(Voice
Recognition
)
Kết hợp yếu tố vật lý và các yếu tố hành vi để tạo ra các mẫu giọng nói và sau đó
được xử lý bằng công nghệ xử lý giọng nói. Đặc tính vật lý vốn có của giọng nói con
người như tần số, âm, nhịp..được sử dụng để xác thực người dùng.Bất lợi của phương
pháp này là giọng nói dễ nhạy cảm với nhiễu (noise) xung quanh.Kỹ thuật nhận dạng
giọng nói được chia thành các loại chính [1].
 Fixed text method: Là kỹ thuật yêu cầu người dùng phải nói đúng với những từ
mà người dùng đã đăng ký trong hệ thống.
 Text dependent method:Là kỹ thuật mà hệ thống sẽ yêu cầu người sử dụng lặp

lại những từ hoặc cụm từ của hệ thống đưa ra.Sau đó hệ thống sẽ tính toán dựa
trên những giọng nói cơ bản của người sử dụng để xác thực người đó.
 Text independent method: Phương pháp này là một kỹ thuật tiên tiến mà người
dùng không cần phải trình bày rõ bất kỳ từ hoặc cụm từ cụ thể nảo. Việc kết hợp
được thực hiện bởi hệ thống trên cơ sở các mô hình bằng giọng nói cơ bản
không phân biệt ngôn ngữ sử dụng.
 Conversational technique (Kỹ thuật đàm thoại): Kỹ thuật xác minh danh tính
của người nói bằng cách tìm hiểu về những kiến thức bí mật để xác định người
dùng.

GVGD: PGS.TS. Đặng Trần Khánh

7


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

1.4 Nhận Dạng
Mống Mắt
(Iris
Recognition
)
Mống mắt hay còn được gọi là con ngươi hoặc tròng đen của mắt, là một khu vực
hình khuyên nằm phía sau thủy tinh thể. Mống mắt được hình thành trong thời kỳ phát
triển thai nhi và ổn định ở hai tuổi [2].Mống mắt có kết cấu phức tạp chứa nhiều thông tin
rất hữu ích trong xác định thông tin cá nhân.
Nhận dạng bằng mống mắt là phương pháp sử dụng kỹ thuật nhận dạng dựa trên xử
lý ảnh của mống mắt.Đặc trưng sinh học của mống mắt là những đặc trưng có tính bất
biến của mỗi người trong suốt cuộc đời và rất khó can thiệp để thây đổi cấu trúc mống
mắt. Nhận dạng mống mắt cho tốc độ nhanh và chính xác rất cao chỉ sao xác thực ADN.

1.5 Nhận Dạng
Chữ Ký
(Signature
Recognition
)
Phương pháp này là một loại của nhận dạng chữ viết.Đã được sử dụng rất lâu và rất
thành công.Phương pháp này dựa trên chữ ký của một người để xác định danh tính của
người đó. Cách tiếp cận này nhằm xác minh những đường nét, số lượng thành phần dốc
của chữ ký. Phương pháp xác thực theo phương pháp này cho kết quả nhanh, yêu cầu lưu
trữ thông tin thấy. Tuy nhiên, chữ ký là sinh trắc học hành vi có thể thây đổi theo thời
gian, chiệu ảnh hưởng của điều kiện vật chất và tình cảm của người ký. Hơn nữa có một
số người có thể bắt chước được chữ ký của người khác. Do đó phương pháp này dần dần
sẽ được thây thể bởi các phương pháp nhận dạng có độ tin cậy cao hơn. Có hai phương
nhận dạng chữ ký sau:
GVGD: PGS.TS. Đặng Trần Khánh

8


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
 Nhận dạng chữ ký “offline”: Trong trường hợp này, người sử dụng ký chữ ký
của họ lên giấy sau đó số hóa chữ ký đó bằng scanner hoặc camera và hệ thống
nhận nhận dạng chữ ký sẽ phân tích những đường nét của chữ ký.Phương pháp
nhận dạng như vậy cũng được biết như hệ thống nhận dạng tĩnh.
 Nhận dạng chữ ký “on-line”: Trong trường hợp này, người sử dụng sẽ ký chữ
ký của họ lên bảng điện tử ngay tại thời điểm xác thực.Phương pháp này được
biết như phương pháp động.

1.6 Kết Luận

Hiện nay trên thế giới có nhiều phương pháp để xác thực người sử dụng.Các hệ
thống này được xây dựng để áp ứng nhu bảo mật thông tin của người sử dụng.Hiện tại,
sđa số những phương pháp này được sử dụng rất phổ biến trên pc hoặc hệ thống chuyên
biệt đáp ứng từng nhu cầu cụ thể.Bắt đầu những năm của thế kỷ 21, Các thiết bị di động
(mobile) và nhất là smartphone đang dần phổ biến và đang chiếm lĩnh thị trường. Nhu cầu
xác thực người sử dụng trên các thiết bị di động cũng phát triển theo.Hiện nay có một số
phương pháp xác thực được sử dụng trên thiết bị di động. Hình II cho biết có một số
phương pháp xác thực được áp dụng trên mobile hiện nay và so sánh một số tính chất
(Universality :Tính phổ biến,Distinctiveness :Sự khác biệt giữa các mẫu) cũng như tính
hiệu quả (Performance: tính hiệu quả), khả năng chấp nhận của người sự dụng
(Acceptability) và Khả năng bị đánh lừa của một số phương pháp xác thực
(Circumvention) ở ba mức độ cao (H), trung bình (M) và thấp (L).
Dựa vào bảng dưới (hình II) cho ta thấy khả năng đánh lừa hệ thống sử phương
pháp nhận dạng bằng mống mắt là thấp, đạt hiệu quả cao nhưng cũng chưa được phổ
biến.Phương pháp nhận dạng bằng chữ ký thì tính tổng quát của nó thấp và khả năng bị

Face
GVGD: PGS.TS. Đặng Trần Khánh

H
9

H

M

H

L

H

Circumvention

Acceptability

Performance

Collectable

Permanence

Biometric identifier

Distinctiveness

Factors

Universality

đánh lừa cao.

H


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
Fingerprint
M
H
H

M
H
M
Iris
H
H
H
M
H
L
Signature
L
L
L
H
L
H
voice
M
L
L
M
L
H
Hình II: Bảng so sánh các phương pháp sinh trắc học [2] [5].

M
L
H
H

Chương 2: Phương Pháp Xác Thực Bằng Khuôn Mặt
Phương pháp nhận diện khuôn mặt hiện nay được sử dụng rất nhiều trên các thiết
bị di động. Việc xác thực bằng nhận dạng khuôn mặt thường phải qua ba bước chính sau:
 Phát hiện khuôn mặt (face detection): các thiết bị máy hình, camera tìm và phát
hiện khuôn mặt
 Phân tách các đặc điểm của khuôn mặt (feature extraction): xác định các đặc
điểm mô tả khuôn mặt được phân tích, rút trích từ bước phát hiện khuôn mặt
 Xác thực khuôn mặt (face recognition/ face verification): dựa trên các dữ liệu
sẳn có của khuôn mặt người dùng, so sánh với dữ liệu từ 2 bước trên để xác
thực đúng người dùng.

GVGD: PGS.TS. Đặng Trần Khánh

10


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

2.1 Các Phương
Pháp Phát
Hiện Khuôn
Mặt
Phát hiện gương mặt là bước đầu tiên để xác thực bằng khuôn mặt, các kỹ thuật để
phát hiện khuôn mặt cũng là bước tiền xử lý để phân tách các đặc điểm của khuôn mặt.
Đối với con người, việc phát hiện dường như rất dễ dàng, con người có thể phát hiện
khuôn mặt ở nhiều góc độ khác nhau, nhưng đối với máy tính, thiết bị di động thì vấn đề
phát hiện không hề đơn giản. Có nhiều nhiều phương pháp phát hiện khuôn mặt đã được
đề xuất, các phương pháp có thể được phân thành 2 loại chính[6]
 Các phương pháp dựa vào heuristic (heuristic-based methods): phương pháp này

dễ hiện thực nhưng độ tin cậy không cao trong một số trường hợp khi thay đổi
ngoại cảnh.
 Các phương pháp dựa vào phân loại (classification-based methods): phương
pháp này tiếp cận việc phát hiện khuôn mặt với việc phân loại các khuôn mặt, vì
vậy nó có độ tin cậy hơn.
Trong báo cáo này, nhóm xin phép nghiên cứu, trình bày các phương pháp: phương
pháp dựa vào màu da (skin color), phương pháp dựa vào các đặc điểm của khuôn mặt
(Facial feature), phương pháp Viola-Jones

2.1.1 Phương Pháp Dựa Vào Màu Da
Màu sắc của da trên khuôn mặt là một trong những đặc điểm quan trọng để có thể
nhận biết, phương pháp phát hiện dựa trên màu da có thể xử lý nhanh hơn so với phương
pháp dựa trên các đặc điểm khuôn mặt [7]. Các giải thuật được áp dụng nhiều để phát
hiện khuôn mặt của phương pháp này dựa trên các mô hình màu sắc RGB, YCbCr, HSI.
Các giải thuật này phát hiện các điểm ảnh trên khuôn mặt, sử dụng các đồ thị màu sắc,
xác định khuôn mặt dựa trên số điểm trong khối thỏa các điều kiện.
a. Giải thuật dựa trên mô hình RGB
Không gian màu sắc RGB gồm 3 yếu tố màu chính: màu đỏ (Red), màu
xanh lá cây (Green) và màu xanh da trời (Blue). Các màu còn lại dựa trên sự
GVGD: PGS.TS. Đặng Trần Khánh

11


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
kết hợp của ba màu này theo tỉ lệ khác nhau. Sau đây là giải thuật được giới
thiệu theo tài liệu [8]
Giải thuật này sẽ chuẩn hóa vectơ (R, G, B) sang dạng vectơ (r, g, b)
Xác định khoảng của các màu F1(r), F1(r)
Tìm điều kiện, loại bỏ màu trắng (r = 0.33, g = 0.33)

Xác định vùng khuôn mặt dựa trên điều kiện
Tuy nhiên, giải thuật này nhận dạng nhầm lẫn đối với vùng da tay, chân…
b. Giải thuật dựa trên mô hình YCbCr
Không gian màu sắc YCbCr được sử dụng
trong giải thuật này, dựa trên yếu tố màu
RGB phân chia màu sắc theo độ sáng (Y) và
độ màu (Cb, Cr) của da. Giải thuật quan tâm
đến thành phần độ màu Cb, Cr, và dựa trên
các khoảng của chúng để xác định vùng da
mặt.
Chuyển vectơ (R, G, B) sang vectơ (Y, Cb,
Cr)

Dựa trên các nghiên cứu, người ta xác định
ngưỡng đối với màu da khuôn mặt Cb giá trị
dao động khoảng 150, và Cr khoảng 100
c. Giải thuận dựa trên mô hình HIS
Các yếu tố màu sắc được phân theo các thành phần: màu sắc (Hue - H), độ
bão hòa (saturation - S), cường độ (Intensity - I). Giải thuật này sử dụng thành
phần H, S kết hợp để xác định vị trí khuôn mặt.
Chuyển không gian (R, G, B) sang không gian (H, S, I), tính H

GVGD: PGS.TS. Đặng Trần Khánh

12


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

Xác định pixel trên khuôn mặt

2.1.2 Phương Pháp Dựa Vào Các Đặc Điểm Khuôn Mặt
Phương pháp dựa trên đặc điểm của khuôn mặt như màu da khuôn mặt, tóc, mũi,
mắt, miệng… và có thể kết hợp các đặc điểm của các đặc điểm đó. Sau đây là phương
pháp dựa trên sự kết hợp của màu da và tóc để phát hiện khuôn mặt.
Đối với xác định khuôn mặt dựa trên màu da được trình bày phần 2.2.1, xác định
đặc điểm của tóc dựa trên màu tóc. Trong tài liệu [8], màu tóc được dựa trên sự kết hợp
của cường độ I, màu sắc H trong mô hình HIS, và cả các yếu tố thành phần của RGB.
Xác định màu tóc của pixel
Các điều kiện: để ngăn bỏ các pixels màu xanh, để thỏa mãn điều kiện màu tối
của tóc, màu tóc có thể là màu nâu.
Tuy nhiên đối với trường hợp tóc được nhuộm thì các điều kiện này có thể không
còn đúng.

2.1.3 Phương Pháp Viola-Jones
Phương pháp Viola-Jones được đề xuất bởi
Paul Viola và Michael Jones dựa trên phương
pháp Boosting (phát hiện khuôn mặt dùng các kỹ
thuật học máy), phương pháp Boosting chỉ phát
hiên đối tượng trực diện, Viola-Jones thì còn có
thể xử lý đối với trường hợp khuôn mặt nghiêng.
Phương pháp này là sự kết hợp của bốn kỹ thuật
chính:
 Đặc trưng Haar (Haar-like feature): sử dụng các hình chữ nhật để tính độ chênh
lệch của các điểm ảnh trong vùng liền kề. Đặc trưng này có thể biểu diễn mối
liên hệ giữa các bộ phận của đối tượng, nên nó có thể diễn đạt được các tri thức
về các đối tượng trong ảnh.

GVGD: PGS.TS. Đặng Trần Khánh

13


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
 Ảnh tách (Integral image)[10]: đặc trưng của hình chữ nhật có thể được tính
nhanh hơn thông qua biểu diễn trung gian là integral image, integral image tại vị
trí điểm ảnh (x, y) bằng tổng giá trị điểm ảnh phía trên và bên trái của nó

Hình trên sẽ có các đặc điểm: integral image tại điểm 1 sẽ bằng tổng giá trị điểm
ảnh trong hình chữ nhật A, tại điểm 2 là A + B, tại điểm 3 là A + C, tại điểm số 4 là
A + B + C + D. Vì vậy, ta có thể tính giá trị điểm ảnh của hình chữ nhật bất kỳ dựa
trên các integral image.
 Mô hình cascade: là mô hình huấn luyện nhiều tầng để nhân dạng, phân loại đối
tượng, mô hình này phân tầng theo dạng hình cây, mỗi cây nhiều tầng, mỗi tầng
là một bộ phân loại.
Ảnh

Mô hình Cascade
Đ C3
C111 Đ C2
S

S
Không là đối tượng

Đ
S

Đối
tượng

 Thuật toán Adaboost: Adaptive Boosting cải tiến từ Boosting do Freund và
Schapire đề xuất, dựa trên việc kết hợp các bộ phân lớp. Trong giải thuật, sử
dụng phương pháp huấn luyện có trọng số dựa trên tập huấn luyện là các hình
cho trước để phân loại đối tượng, trong quá trình huấn luyện các trọng số thay
đổi để biến đổi các thông số phân loại đối tượng đúng hơn.

GVGD: PGS.TS. Đặng Trần Khánh

14


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

2.2 Phân Tách
Các Đặc
Điểm
Khuôn Mặt
Sau khi phát hiện được khuôn mặt, các vectơ đặc trưng mô tả khuôn mặt sẽ được
phân tách, rút trích. Bức ảnh có các đối tượng (khuôn mặt) sẽ được khoanh vùng, sau đó
dựa trên các yếu tố để xác định các đặc điểm của khuôn mặt như mắt, mũi miệng,… Quá
trình phân tách các đặc điểm của khuôn mặt có thể được chia làm ba bước chính [11]:
Giảm chiều (dimensionality reduction), phân tách đặc điểm (feature extraxtion), chọn đặc
điểm khuôn mặt (feature selection). Các bước này không đòi hỏi sự tuần tự, có thể thực
hiện xen kẽ.
 Giảm chiều: là công việc quan trong trong bất kỳ phương pháp nhận dạng nào,
việc giảm chiều để đem lại những dữ liệu dạng thu nhỏ hơn, giảm không gian
vectơ nhưng vẫn đảm bảo độ chính xác.
 Phân tách đặc điểm: Dữ liệu sẽ được biến đổi thành dạng biểu diễn cho các tập
hợp đặc điểm. Các đặc điểm được tách cẩn thận sẽ cho thông tin liên quan việc

nhận diện tốt hơn. Các giải thuật phân tách đặc điểm: PCA (Principal Component
Analysis), LDA (Linear Discriminant Analysis), giải thuật dựa trên phương pháp
mạng nơron nhân tạo…
 Chọn đặc điểm: Mục đích của công việc này là lựa chọn tập con các dữ liệu
được phân tách gây ra lỗi phân loại là nhỏ nhất. Các giải thuật chọn đặc điểm: vét
cạn, Branch and Bound, …
Sau khi phân tách và chọn đặc điểm, sẽ phân loại hình ảnh, tùy thuộc vào giải thuật
nhận diện khuôn mặt được áp dụng có những phương pháp phân loại khác nhau. Các giải
thuật phân loại thường được dùng nhiều trong các lĩnh vực: khai phá dữ liệu, xử lý nhận
dạng, tài chính…Phân loại trong nhận dạng thường sử dụng giải thuật phân loại có
phương pháp học có giám sát để huấn luyện các tập dữ liệu mẫu.

GVGD: PGS.TS. Đặng Trần Khánh

15


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

2.3 Xác Thực
Khuôn Mặt
Đây là bước xác thực để nhận biết khuôn mặt này có phải ứng với người dùng hay
không. Tuy nhiên, để việc xác thực được thực hiện thì trước đó phải đăng ký dữ liệu
khuôn mặt trước, dựa trên dữ liệu này để so sánh, đối chiếu với dữ liệu hiện tại cần xác
thực. Các bước đăng ký dữ liệu (face registration) được thực hiện theo các bước trên, đến
phần xác thực, thay vì so sánh dữ liệu thì nó sẽ tiến hành lưu đặc điểm, dữ liệu của khuôn
mặt (dữ liệu sinh trắc học), hoặc có thể dựa vào hình ảnh của người dùng được lưu trong
cơ sở dữ liệu.
Nhận diện khuôn mặt được nhiều lĩnh vực nghiên cứu: thị giác máy tính, học máy,
nhận dạng mẫu…và phương pháp nhận diện có thể tiếp cận theo những phương pháp

riêng. Phương pháp tiếp cận có thể được phân loại như sau [11]
 Tiếp cận dựa vào đặc điểm hình học/bản mẫu (Geometric/Template Based
approaches): Giải thuật nhận dạng có thể dựa trên giải thuật dựa bản mẫu hoặc
dựa vào đặc điểm hình học. Giải thuật dựa trên bản mẫu dùng phương pháp so
sánh ảnh đầu vào với tập mẫu, tập bản mẫu này được xây dựng bằng các công
cụ thống kê: SVM, PCA…Giải thuật dựa trên đặc điểm hình học phân tích các
đặc điểm của khuôn mặt trong mối quan hệ hình học, giải thuật dựa trên đặc
điểm hình học gồm có giải thuật Elastic Bunch Graph Matching.
 Tiếp cận từng phần/ toàn phần (Piecemeal/ Wholistic approaches): Khuôn mặt
có thể được xác thực dựa vào các đặc điểm nhỏ nổi bật, chẳng hạn như đặc điểm
nốt ruồi, vết sẹo, mũi, hoặc phải dựa vào sự kết hợp các đặc điểm của toàn
khuôn mặt…Dựa trên ý tưởng này giải thuật có thể tiếp cận xử lý các đặc điểm
khuôn mặt một cách độc lập trong mối quan hệ các đặc điểm của khuôn mặt
hoặc chỉ một đặc điểm khuôn mặt so với toàn khuôn mặt.
 Tiếp cận dựa mô hình (Appearance-based / Model-based approaches): Phương
pháp appearance sử dụng trong việc xử lý ảnh khuôn mặt ở mức độ thô, sử dụng
phương pháp thống kê để dẫn xuất không gian đặc trưng (đặc điểm khuôn mặt)
từ sự phân bố ảnh (điểm ảnh). Phương pháp dựa trên mô hình cố gắng xây dựng

GVGD: PGS.TS. Đặng Trần Khánh

16


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
mô hình khuôn mặt của người theo không gian chiều (2 chiều hoặc 3 chiều), sử
dụng các mẫu của mô hình, các thông số để nhận dạng hình ảnh.
 Tiếp cận dựa mạng thần kinh, thống kê, bản mẫu (Template/statistical/neural
network approaches): phương pháp đối chiếu bản mẫu sử dụng các chức năng về
độ tương quan, độ đo khoảng cách, các mẫu được biểu diễn dưới dạng mô hình,

kết cấu, họa tiết… Phương pháp thống kê, các mẫu biểu diễn dưới dạng các đặc
trưng, đặc điểm, nhận dạng sử dụng phương thức phân biệt. Phương pháp mạng
thần kinh nhân tạo sử dụng mô phỏng mạng nơron thần kinh.

2.4 Giải Thuật
Nhận Dạng
Eigenfaces
Eigenfaces (được đề nghị bởi Matthew Turk và Alex Pentland) dùng trong nhận
dạng, phát triển dựa trên phương pháp phân tích các thành phần chính PCA, có thể thích
nghi trong các điều kiệu ràng buộc về môi trường (trong nhà, văn phòng…). Phương pháp
này không dựa trên mô hình 3D, cũng như dựa vào đặc điểm cấu trúc của khuôn mặt mà
dùng phương pháp kết hợp tuyến tính các đặc điểm của khuôn mặt.
Các Bước xử lý nhận dạng [12]:
1. Khởi tạo: Thu thập tập dữ liệu huấn luyện của các ảnh khuôn mặt, tính toán
eigenfaces, định nghĩa không gian khuôn mặt (face space).
2. Nếu có một ảnh mới, thì tính toán tập các trọng số (weights) dựa vào ảnh đầu
vào và M eigenfaces đã được tính, chiếu ảnh đầu vào đó vào mỗi eigenfaces.
3. Xác định xem ảnh có phải là ảnh về khuôn mặt hay không.
4. Nếu nó có khuôn mặt, thì nhận dạng nó dựa trên các mẫu trọng số (pattern
weights).
5. Nếu không nhận dạng được khuôn mặt, biến đổi nó thành tập các khuôn mặt đã
biết theo đặc điểm mẫu trọng số
 Tính eigenfaces
Mỗi bức ảnh được là ma trận hai chiều của các điểm ảnh được biến đổi sang vectơ.
Trong đề tài này, nhóm sử dụng ảnh có kích thước 150 x 125 thì nó sẽ được biến đổi
thành vectơ có kích thước là 18750.
Trong tập mẫu huấn luyện có M ảnh khuôn mặt, biến đổi thành M vectơ : , , , …, .
GVGD: PGS.TS. Đặng Trần Khánh

17

Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
Vectơ trung bình của tập huấn luyện và độ sai lệch vectơ mỗi ảnh :

Sau đó tìm tập M các vectơ trực giao và các eigenvalues mà mô tả tốt nhất sự
phân bố dữ liệu. vectơ và là các eigenvectơ và eigenvalue trong ma trận covariance
Trong đó A = [],
 Nhận dạng
Ảnh khuôn mặt mới cần nhận dạng sẽ được biến đổi thành thành phần của
eigenface. ảnh khuôn mặt có vectơ Г sẽ được chiếu vào không gian khuôn mặt
bằng các trọng số được lưu thành vectơ Ω

Xác định ảnh mới với các phân lớp khuôn mặt dựa trên độ đo khoảng cách
euclidean . Chọn khoảng cách nhỏ nhất.
Nếu nhỏ hơn ngưỡng giá trị có thể chấp nhận được θ thì ảnh đó được nhận
dạng, phân theo lớp thưa k.

Chương 3: Bảo Vệ Dữ Liệu Nhận Dạng Trên Thiết Bị
Di Động
3.1 Các Phương
Pháp Bảo
Vệ Dữ Liệu
Trên Thiết
Bị Di Động
3.2 Hiện Thực

GVGD: PGS.TS. Đặng Trần Khánh

18

Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

Chương 4: Tổng Kết

GVGD: PGS.TS. Đặng Trần Khánh

19


Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học

TÀI LIỆU THAM KHẢO
[1] Sid. Angle, Ree. Bhagtani, Hem. Chheda, 2005, Biometrics: A Further Echelon of
Security, Department of Biometric Engineering, Thadomal Shahani Engineering College,
T.P.S III, Bandra, Mumbai-50, 4 pages
[2] Anil K., Jain, 2006, “Biometrics: A Tool for Information Security”, IEEE
TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, VOL. 1, NO. 2,
pp. 125-143
[3] Francis Galton, F.R.S, 1982, Fingerprint, London, Macmillan and co. and New York.
[4] A Fingerprint Recognition AlgorithmCombining Phase-Based Image Matchingand
Feature-Based Matching.
[5] A. K. Jain, A. Ross, S. Prabhakar, 2004, "An Introduction to Biometric Recognition",
IEEE Trans. on Circuits and Systems for Video Technology, Vol. 14, No. 1, pp. 4-19,
GVGD: PGS.TS. Đặng Trần Khánh

20

Xác Thực Người Dùng Trên Thiết Bị Di Động Bằng Sinh Trắc Học
[6] Q. Tao, R. Veldhuis, 2012, “Biometric Authentication System on Mobile Personal
Devices”, IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT,
VOL 59, Issue 4, pp. 763-773.
[7] Sanjay Kr. Singh et al., 2003, “A Robust Skin Color Based Face Detection
Algorithm”, Tamkang Journal of Science and Engineering, Vol. 6, No. 4, pp. 227-234.
[8] YJ Chen, YC Lin, 2007, “Simple Face-detection Algorithm Based on Minimum Facial
Features”, The 33rd Annual Conference of the IEEE Industrial Electronics Society,
IECON, Taipei, Taiwan, pp. 455 – 460.
[9] S. A. Sirohey, A. Rosenfeld, 2001,“Eye detection in a face imageusing linear and
nonlinear filters”, Pattern Recognition, VOL 34, Issue 7, pp.1367–1391.
[10] P. Viola, M.J. Jones, 2004, “Robust Real-Time Face Detection”, International
Journal of Computer Vision, Kluwer Academic Publishers, Netherlands, VOL 57, Issue 2,
pp.137-154.
[11] Ion Marqués, 2010, “Face Recognition Algorithms”, Universidad del País Vasco,
supervisor: Manuel Gran~a, 78 pages.
[12] M. Turk, A. Pentland, 1991, ”Eigenfaces for Recognition”, Journal of Cognitive
Neuroscience. Vol 3, No. 1, pp.71-86.

GVGD: PGS.TS. Đặng Trần Khánh

21