Nhận dạng vân mạch máu lòng bàn tay dựa vào đặc trưng hướng đường vân cục bộ và đặc trưng sift cải tiến

TRƯỜNG ĐẠI HỌC QUỐC TẾ SÀI GỊN
KHOA CƠNG NGHỆ THƠNG TIN
-----------------------

PHẠM THỊ QUỲNH - TRẦN LÊ HẢI BÌNH

NHẬN DẠNG VÂN MẠCH MÁU LÒNG BÀN TAY DỰA
VÀO ĐẶC TRƯNG HƯỚNG ĐƯỜNG VÂN CỤC BỘ VÀ ĐẶC
TRƯNG SIFT CẢI TIẾN

BÁO CÁO NGHIÊN CỨU KHOA HỌC LẦN 3 - 2021

TP. HỒ CHÍ MINH - 2021


TRƯỜNG ĐẠI HỌC QUỐC TẾ SÀI GỊN
KHOA CƠNG NGHỆ THƠNG TIN


PHẠM THỊ QUỲNH - TRẦN LÊ HẢI BÌNH

NHẬN DẠNG VÂN MẠCH MÁU LÒNG BÀN TAY DỰA
VÀO ĐẶC TRƯNG HƯỚNG ĐƯỜNG VÂN CỤC BỘ VÀ ĐẶC
TRƯNG SIFT CẢI TIẾN

BÁO CÁO NGHIÊN CỨU KHOA HỌC LẦN 3 - 2021

NGƯỜI HƯỚNG DẪN
TS. VĂN THIÊN HỒNG
THS. VÕ ANH TIẾN

TP. HỒ CHÍ MINH - 2021


LỜI CAM ĐOAN
Tôi xin cam đoan báo cáo nghiên cứu khoa học với đề tài: “Nhận dạng vân
mạch máu lòng bàn tay dựa vào đặc trưng hướng đường vân cục bộ và đặc trưng
sift cải tiến” là cơng trình nghiên cứu của riêng chúng tơi.
Các trích dẫn, tham khảo trong q trình nghiên cứu đều được trích dẫn đầy đủ,
ghi rõ nguồn gốc.
Tơi xin chịu hồn tồn trách nhiệm nếu có bất kỳ sao chép khơng hợp lệ, vi
phạm quy chế đào tạo.

Người thực hiện

Phạm Thị Quỳnh – Trần Lê Hải Bình


LỜI CẢM ƠN
Lời đầu tiên em xin gửi lời cảm ơn đến Ban lãnh đạo, tồn thể q Thầy, Cơ
giảng viên Trường Đại học Quốc tế Sài Gòn đã tận tạo điệu kiện và cơ hội để chúng
em được tham dự một cuộc thi trí tuệ, chuyên nghiệp và sáng tạo.
Em xin gửi lời cảm ơn sâu sắc đến thầy TS. Văn Thiên Hoàng và thầy ThS.
Võ Anh tiến đã tận tình hướng dẫn, tạo mọi điều kiện thuận lợi và chỉ bảo chúng em
trong suốt thời gian làm nghiên cứu khoa học.
Tuy vậy, do thời gian có hạn, mặc dù đã cố gắng hết sức nhưng chắc rằng bài
nghiên cứu khoa học khơng tránh khỏi sự thiếu sót. Chúng em rất mong nhận được
sự thông cảm và chỉ bảo tận tình của q Thầy Cơ và các bạn.
Trân trọng cảm ơn.

Phạm Thị Quỳnh – Trần Lê Hải Bình

MỤC LỤC
DANH MỤC TỪ VIẾT TẮT .................................................................................. 7
DANH MỤC BẢNG ............................................................................................... 9
DANH MỤC HÌNH ẢNH ..................................................................................... 10
TĨM TẮT

......................................................................................................... 12

CHƯƠNG 1 TỔNG QUAN .................................................................................. 13
1.1

Giới thiệu chung ....................................................................................... 13

1.2

Hệ thống nhận dạng vân mạch máu lòng bàn tay ...................................... 17

1.3

Mục tiêu đề tài.......................................................................................... 26

1.4

Phương pháp nghiên cứu .......................................................................... 26

1.5

Đặc trưng và phạm vi nghiên cứu ............................................................. 27

1.6

Cấu trúc báo cáo ....................................................................................... 27

CHƯƠNG 2 CÁC CƠNG TRÌNH NGHIÊN CỨU LIÊN QUAN ......................... 29
2.1

Bộ lọc MFRAT ........................................................................................ 29

2.2

Các đặc trưng mẫu nhị phân cục bộ .......................................................... 30

2.3

Đặc trưng dẫn xuất cục bộ (Local derivative pattern - LDP) ..................... 35

2.4

Các đặc trưng cục bộ bất biến ................................................................... 36

CHƯƠNG 3 PHƯƠNG PHÁP ĐỀ XUẤT ............................................................ 62
3.1

Ý tưởng .................................................................................................... 62

3.2

Thuật toán ................................................................................................ 62

CHƯƠNG 4 KẾT QUẢ THỰC NGHIỆM ............................................................ 66
4.1

Cơ sở dữ liệu thực nghiệm........................................................................ 66

4.2

Kết quả thực nghiệm ................................................................................ 66

CHƯƠNG 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN......................................... 69
5.1

Kết luận .................................................................................................... 69
5


5.2

Kiến nghị.................................................................................................. 69

TÀI LIỆU THAM KHẢO ..................................................................................... 70

6


DANH MỤC TỪ VIẾT TẮT
TỪ

NỘI DUNG

DIỄN GIẢI

NIR

Near-infrared

Ánh sáng hồng ngoại

ATM

Automated Teller Machine

Máy rút tiền tự động

DNA

Deoxyribonucleic acid

Phân tử mang thông tin di truyền

PDA

Personal Digital Assistant

Thiết bị kỹ thuật số hỗ trợ cá nhân

CCD

Charge Coupled Device

Cảm biến CCD

ROI

Region of interest

Vùng quan tâm

LDP

Local derivative pattern

Đặc trưng dẫn xuất cục bộ

LBP

Local binary pattern

Mẫu nhị phân cục bộ

MFRAT

Modified Finite Radon Transform Biến đổi radon hữu hạn

SIFT

Scale-invariant feature transform

SURF

Speeded up robust feature

ASIFT

RootSIFT

PCA

2D-PCA

2D-FDA

Đặc trưng biến đổi bất biến theo tỉ
lệ
Đặc trưng cải thiện tốc độ

Affine scale invariant feature Đặc trưng biến đổi bất biến theo tỉ
transform
Root

Scale-invariant

lệ affin
feature

transform
Principal component analysis
Two-dimensional

Phương pháp phân tích thành
phần chính

principal Phương pháp phân tích thành

component analysis
Two-dimensional

Bộ mơ tả SIFT nâng cao

phần chính 2 chiều
fisher Phân tích phân biệt hai chiều

discriminant analysis

fisher

7


ECS-LBP

EL-SIFT

Enhanced centersymmetric local Mẫu nhị phân cục bộ đối xứng
binary pattern

tâm cải tiến

Enhanced centersymmetric local Mẫu nhị phân cục bộ đối xứng

binary pattern with SIFT

tâm cải tiến với SIFT

MLBP

Multivariate Local binary pattern

Mẫu nhị phân cục bộ đa biến

ELBP

Enhanced local binary pattern

Mẫu nhị phân cục bộ nâng cao

LBPV

Local binary pattern variance

Phương sai mẫu nhị phân cục bộ

DoG

Difference-of-Gaussian

Bộ lọc Gaussian xác định cạnh

MSIFT

Modified Scale-invariant feature
transform

8

Đặc trưng SIFT sửa đổi


DANH MỤC BẢNG
Bảng 4.1 Cơ sở dữ liệu huấn luyện và so khớp trong thực nghiệm ........................ 67
Bảng 4.3 Hiệu suất trung bình từ tay trái của PUT ................................................ 68
Bảng 4.4 Hiệu suất trung bình từ tay phải của PUT .............................................. 68

9


DANH MỤC HÌNH ẢNH
Hình 1.1 Các đặc điểm sinh trắc học về cơ thể và hành vi. .................................... 14
Hình 1.2 Sơ đồ khối nhận diện bằng hình ảnh vân mạch máu lịng bàn tay ........... 18
Hình 1.3 Thiết bị chụp ảnh đa phổ lịng bàn tay .................................................... 19
Hình 1.4 Sáu hình ảnh vân lịng bàn tay điển hình trong cơ sở dữ liệu .................. 20
Hình 1.5 Lưu đồ của phương pháp đường trịn nối tiếp cực đại rút trích ROI........ 21
Hình 1.6 Hình ảnh mức xám ................................................................................. 22
Hình 1.7 Hình ảnh nhị phân sau các phép tốn hình thái ....................................... 22
Hình 1.8 Hình ảnh xoay ........................................................................................ 23
Hình 1.9 Cắt hình ảnh ROI ................................................................................... 24
Hình 1.10 Hình ảnh ROI vân lịng bàn tay ............................................................ 24
Hình 1.11 Hình ảnh ROI của vân mạch máu lịng bàn tay ..................................... 24
Hình 2.3 36 mẫu bất biến xoay được tạo ra bởi phép toán 𝑳𝑩𝑷𝟖, 𝑹𝒓𝒊 .................. 32
Hình 2.4 Phép đo kết cấu MLBP mơ tả các mối quan hệ không gian trong một dải và

giữa các dải ........................................................................................................... 32
Hình 2.5 Sơ đồ phép tốn E – LBP4,4,3 .................................................................. 34
Hình 2.6 Mẫu 8 pixel lân cận xung quanh Z0 ........................................................ 35
Hình 2.7 Hình ảnh Gaussian liền về và sau mỗi quãng tám ................................... 41
Hình 2.8 Cực đại và cực tiểu của ảnh chênh lệch Gaussian ................................... 42
Hình 2.9 Biểu đồ số điểm chính được phát hiện trong một hình ảnh điển hình dưới
dạng hàm của số lượng mẫu tỉ lệ............................................................................ 43
Hình 2.10 Dịng trên cùng trong biểu đồ hiển thị phần trăm các vị trí nổi bật được
phát hiện lặp lại trong một hình ảnh đã biến đổi dưới dạng một hàm làm mịn hình ảnh
trước đó cho mức độ đầu tiên của mỗi quãng tám. Dịng dưới hiển thị phần trăm bộ
mơ tả được so khớp chính xác với cơ sở dữ liệu lớn. ............................................. 43
Hình 2.11 Cho thấy các giai đoạn lựa chọn điểm chính......................................... 47
Hình 2.12 Dịng trên cùng trong biểu đồ hiển thị phần trăm các vị trí nổi bật và tỉ lệ
được phát hiện lặp lại như một hàm của nhiễu pixel. Dòng thứ hai cho thấy độ lặp lại
sau khi yêu cầu sự thống nhất trong hướng. Dòng dưới cùng hiển thị phần trăm của
các bộ mô tả được so khớp chính xác với cơ sở dữ liệu lớn. .................................. 51
Hình 2.13 Mảng bộ mơ tả 2x2 được tính toán từ một tập hợp 8x8 mẫu. ................ 52
10


Hình 2.14 Biểu đồ này cho thấy phần trăm các điểm chính cho kết quả so khớp chính
xác với cơ sở dữ liệu gồm 40.000 điểm chính dưới dạng hàm số chiều rộng của bộ
mơ tả điểm chính 𝒏 × 𝒏 và số hướng trong mỗi biểu đồ. Biểu đồ được tính tốn cho
hình ảnh có góc nhìn affin thay đổi 50 độ và thêm 4% nhiễu. ................................ 55
Hình 2.15 Biểu đồ này cho thấy phát hiện vị trí điểm chính ổn định, hướng và so
khớp cuối cùng với cơ sở dữ liệu như một hàm biến dạng affine. Mức độ biến dạng
affine được biểu thị theo chiều sâu của góc quay tương đương đối với một bề mặt
phẳng..................................................................................................................... 56
Hình 2.16 Các thay đổi tỉ lệ và xoay ngẫu nhiên, biến đổi affine 30 độ và nhiễu hình
ảnh thêm 2% trước khi so khớp. ............................................................................ 57

Hình 2.17 Ở bên trái cách tiếp cận sử dụng SIFT; ở bên phải cách tiếp cận MSIFT
trên vân lịng bàn tay khơng tiếp xúc. .................................................................... 58
Hình 3.1 Sơ đồ của phương pháp đề xuất.............................................................. 62
Hình 3.2 (a) Đặc trưng CS-LBP với 8 điểm lân cận và (b) Đặc trưng ECS-LBP với
16 khối lân cận (các khối bao gồm 4 điểm) ............................................................ 63
Hình 3.3 (a), (e) Hình ảnh gốc của cùng một người, (b), (f) CS-LBP, (c), g) ECSLBP, (d) Khớp giữa (b) và (f ), và (h) So khớp giữa (c) và (g). .............................. 64
Hình 3.4 (a), (e) Hình ảnh gốc của hai người khác nhau, (b), (f) CS-LBP, (c), (g)
ECS-LBP, (d) So khớp giữa (b) và ( f), và (h) So khớp giữa (c) và (g). ................. 65
Hình 4.2 Ảnh vân mạch máu từ bàn tay trái trong cơ sở dữ liệu PUT_left_100..... 66
Hình 4.4 Ảnh vân mạch máu từ bàn tay phải trong cơ sở dữ liệu PUT_right_100 . 66

11


TĨM TẮT
Gần đây, nhận dạng vân mạch máu lịng bàn tay là công nghệ sinh trắc học
mới với mức độ riêng tư và bảo mật cao vì kỹ thuật này sử dụng các mạch máu dưới
da lòng bàn tay để thiết lập nhận dạng. Nghiên cứu đề xuất phương pháp rút trích đặc
trưng vân mạch máu lịng bàn tay mới để nhận dạng vân mạch máu lịng bàn tay
khơng tiếp xúc dựa trên việc kết hợp mơ hình nhị phân cục bộ đối xứng trung tâm
(ECS-LBP) cải tiến với SIFT và MFRAT, được gọi là MFRAT SIFT - ECS-LBP.
Phương pháp đề xuất bao gồm hai bước: 1) áp dụng bộ lọc MFRAT để rút trích đặc
trưng hướng của đường vân. 2) Áp dụng phương pháp ECS-LBP để phát hiện các
đường vân mạch máu lòng bàn tay ổn định và rõ ràng. 3) Rút trích đặc trưng cục bộ
bất biến SIFT trên hình ảnh đường vân mạch máu lịng bàn tay. Kết quả thử nghiệm
trên cơ sở dữ liệu vân mạch máu lịng bàn tay khơng tiếp xúc cơng khai PUT cho thấy
rằng phương pháp đề xuất của đề tài đạt độ chính xác cao và mạnh mẽ để nhận dạng
vân mạch máu lòng bàn tay so với các phương pháp khác.
TP Hồ Chí Minh, ngày 14 tháng 5 năm 2021
Phạm Thị Quỳnh – Trần Lê Hải Bình

12


CHƯƠNG 1

TỔNG QUAN

1.1 Giới thiệu chung
1.1.1 Giới thiệu sinh trắc học
Trong thời đại công nghệ phát triển, việc nhận dạng cá nhân tự động được thực
hiện ngày càng nhanh chóng và dễ dàng. Công nghệ sinh trắc học ngày càng được
ứng dụng phổ biến. Ví dụ ứng dụng nhận dạng vân tay trên thiết bị di động. Ứng dụng
dụng này hết sức tiện lợi để bảo mật thiết bị di động. Theo kết quả từ một cuộc khảo
sát gần đây, sinh trắc học được người sử dụng yêu thích và ngày càng thay thế việc
sử dụng mật khẩu [1]. Sinh trắc học mang lại những lợi thế nhất định mà các cơ chế
xác thực khác không thể cung cấp. Cơ chế này gắn kết chặt chẽ giữ danh tính người
dùng với đặc điểm của người đó. Đặc điểm sinh trắc học này không bị mất và không
bị trùng lắp [2]. Sinh trắc học có khả năng chống lại các cuộc tấn công cao hơn so với
các phương pháp khác. Một trong những lợi thế chính của hệ thống nhận dạng sinh
trắc học là hệ thống xác định được các người dùng đã được đăng ký trong hệ thống
[3]. Ngoài ra, các hệ thống sinh trắc học yêu cầu sự hiện diện của người dùng tại thời
điểm xác thực, ngăn chặn các cá nhân đưa ra các yêu cầu từ chối sai [4]. Cả hai điều
khoản này đều đặc biệt quan trọng trong các ứng dụng yêu cầu bảo mật, nơi những
kẻ mạo danh có thể cố gắng yêu cầu các danh tính khác nhau và đạt được lợi ích. Bên
cạnh việc tăng cường bảo mật, các hệ thống sinh trắc học cũng mang lại sự tiện lợi
cho người dùng bằng cách giảm bớt yêu cầu thiết kế mật khẩu và mã thông báo [5].
Hệ thống sinh trắc học sử dụng các đặc điểm cơ thể hoặc hành vi làm đặc trưng
nhận dạng. Hình 1.1 minh họa một số ví dụ về các đặc điểm sinh trắc học có thể được
sử dụng để xác thực người dùng. Chúng bao gồm khuôn mặt, tai, mống mắt, quét

võng mạc, giọng nói, vân tay, dấu vân tay, hình dạng bàn tay/ngón tay, các mẫu vân
mạch máu, nhịp tim hoặc thậm chí DNA [6], [7].

13


Hình 1.1 Các đặc điểm sinh trắc học về cơ thể và hành vi.

Đặc điểm hành vi là những đặc trưng thoái quen về hành động cơ thể của mỗi
người ví dụ như: dáng đi, chữ ký, lực gõ phím/nhịp gõ, cách sử dụng chuột của máy
tính và đặc điểm cầm thiết bị của người khác. Hơn nữa, các đặc trưng sinh trắc học
khác như: da, mắt, màu tóc, sự hiện diện của râu, chiều cao, cân nặng, hình xăm và
các yếu tố khác, cũng được sử dụng rộng rãi cho mục đích nhận diện [8]. Các thiết
bị, chẳng hạn như camera từ siêu thị đến các địa điểm công cộng và đường đi, có thể
xác định những người đi qua. Các hệ thống mới được thiết kế cẩn thận để có thể giảm
thiểu các lỗi nhận dạng sai. Trong tương lai các hệ thống thế hệ tiếp theo có thể giảm
hơn nữa lỗi nhận dạng sai bằng cách phát hiện các điều kiện làm suy yếu bất kỳ yếu
tố bên ngồi nào có thể ảnh hưởng đến hiệu quả của thiết bị dựa trên sinh trắc học.

14


1.1.2 Các ứng dụng của sinh trắc học
Hệ thống sinh trắc học được áp dụng trong nhiều lĩnh vực, đặc biệt là liên quan
đến bảo mật như kiểm soát truy cập vật lý và logic. Bao gồm các lĩnh vực sau:
1. Dịch vụ ngân hàng/tài chính như máy ATM, thiết bị thanh tốn đầu cuối, thanh
tốn khơng dùng tiền mặt, rút tiền mặt tự động,…
2. Bảo mật máy tính & công nghệ thông tin như giao dịch Internet, đăng nhập
máy tính cá nhân,…
3. Chăm sóc sức khỏe như quan tâm đến quyền riêng tư, kiểm sốt thơng tin bệnh

nhân, kiểm soát thuốc,…
4. Nhập cư như kiểm soát biên giới, du khách thường xuyên, người tị nạn,…
5. Luật pháp và trật tự xã hội như thẻ căn cước, bỏ phiếu, kiểm soát súng, nhà
tù,…
6. Người gác cổng/Kiểm soát ra vào cửa như thiết lập an toàn, quân đội, khách
sạn, quản lý tịa nhà,…
7. Viễn thơng như điện thoại, gian lận th bao, trung tâm cuộc gọi, trò chơi, …
8. Điểm danh và sự chuyên cần trong học tập và chấm công trong công ty.
9. Phúc lợi, bao gồm các dịch vụ chăm sóc sức khỏe và các khoản thanh tốn
phúc lợi.
10. Sản phẩm tiêu dùng như máy dịch vụ tự động, ATM, thiết bị khóa, PDA,…
1.1.3 Yêu cầu của đặc trưng sinh trắc học
Đặc trưng sinh trắc học cần thỏa các tính chất để có thể áp dụng được bao
gồm: tính phổ biến, tính duy nhất, tính lâu dài, khả năng thu thập, khả năng đo lường,
hiệu suất, khả năng chấp nhận và độ tin cậy. Trong “Sổ tay sinh trắc học” [13], “Công
nghệ sinh trắc học và các hoạt động phát triển tiêu chuẩn sinh trắc học quốc tế-bảo
mật” [14], các đặc tính này được trình bày như sau:
Tính phổ biến: Mỗi cá nhân truy cập ứng dụng sinh trắc học phải có một
phương thức cụ thể như dấu vân tay, mống mắt hoặc tai mà họ có thể sử dụng để nhận
dạng bản thân.

15


Tính duy nhất: Đặc tính đã cho phải đủ khác biệt giữa các cá nhân. Các đặc
điểm duy nhất có thể được sử dụng để ngăn chặn truy cập trái phép vào hệ thống sinh
trắc học, ngăn chặn các cuộc tấn cơng. Do vậy, tính chất này hết sức quan trong, đảm
bảo nhu cầu bảo mật và quyền riêng tư khi khi thiết kế hệ thống sinh trắc học.
Tính lâu dài: Đặc tính sinh trắc học của một cá nhân phải đủ bất biến trong
một khoảng thời gian đối với thuật toán so khớp áp dụng của hệ thống.

Khả năng thu thập: Đề cập đến sự dễ dàng của việc lấy dữ liệu sinh trắc học.
Có thể thu thập và số hóa các đặc trưng sinh trắc học bằng cách sử dụng các thiết bị
phù hợp với các cảm biến mà không gây bất tiện quá mức cho người dùng. Bằng cách
đó, chúng ta có thể rút trích và biểu diễn thành công tập dữ liệu trong các mẫu sinh
trắc học.
Khả năng đo lường: Bộ dữ liệu sinh trắc học phải phù hợp cho việc phân tích
thống kê xác định kết quả phù hợp. Cần đánh giá độ phức tạp của các thuật tốn áp
dụng, thời gian tính tốn và chi phí các thành phần của sơ đồ để xác định hiệu quả
của hệ thống trong các ứng dụng trong thực tế.
Hiệu suất: Được sử dụng để xác định độ chính xác của hệ thống nhằm cho
phép người dùng được ủy quyền mới có quyền truy cập và từ chối những kẻ mạo
danh.
Khả năng chấp nhận: Đề cập đến cách mọi người phản ứng với hệ thống sinh
trắc học, mức độ quen thuộc với các công nghệ sinh trắc học và việc sử dụng các ứng
dụng (thói quen) và mức độ sẵn sàng cung cấp dữ liệu sinh trắc học.
Độ tin cậy: Xác định chất lượng của đặc tính sinh trắc học. Trong cùng một
ngữ cảnh, thuộc tính gian lận/giả mạo được sử dụng để đánh giá các cuộc tấn công
giả mạo tiềm ẩn và đo lường mức độ dễ dàng bắt chước một đặc điểm sinh trắc học.
1.1.4 Đặc trưng vân mạch máu lòng bàn tay
Nhận dạng vân mạch máu lòng bàn tay xuất hiện vào năm 1991 [17], thu hút sự
chú ý của mọi người vì tính bảo mật cao, khả năng phát hiện trực tiếp, khả năng chấp
nhận của người dùng và sự tiện lợi. Đặc trưng nhận dạng vân mạch máu lịng bàn tay
thể hiện tính bảo mật cao, vì sử dụng mạng lưới các mạch máu dưới da lòng bàn tay
16


để nhận dạng. Vân mạch máu lòng bàn tay là thông tin sinh học bên trong cơ thể, nên
những kẻ xâm nhập khó sao chép các mẫu vân mạch máu hơn nhiều so với các đặc
điểm sinh trắc học khác. Mạch máu lịng bàn tay hầu như khơng nhìn thấy được đối
với mắt người; thường được chụp dưới ánh sáng hồng ngoại (NIR). Ở trạng thái tự

nhiên, các vân mạch máu lòng bàn tay được che giấu một cách tự nhiên. Hơn nữa,
các mẫu vân mạch máu không bị trùng lặp ở những người khác nhau. Do đó, vân
mạch máu được coi như một mã nhận dạng an toàn cao của con người. Trên thực tế,
kiểu mạch máu ở tay trái và tay phải cũng khác nhau [18]. Nhận dạng vân mạch máu
lịng bàn tay đảm bảo tính sống trong mẫu sinh trắc học. Nếu khơng có máu chảy,
hình ảnh mạch máu sẽ biến mất và hệ thống nhận dạng vân mạch máu lịng bàn tay
có khả năng chấp nhận cao của người dùng. Thu thập hình ảnh vân mạch máu lịng
bàn tay dễ dàng và khơng làm phiền [19]. Vì hình ảnh mẫu vân mạch máu lịng bàn
tay thu được không cần tiếp xúc trực tiếp với cảm biến rút trích mẫu vân mạch máu,
nên khơng có sự nhiễm bẩn nào từ bề mặt sang tay của đặc trưng. Ngoài ra, các điều
kiện bên ngoài từ bàn tay, như dầu mỡ và bụi bẩn, sự hao mòn của bàn tay và bề mặt
tay khô và ướt không ảnh hưởng đến cấu trúc vân mạch máu.

1.2 Hệ thống nhận dạng vân mạch máu lòng bàn tay
1.2.1 Hệ thống định danh
Hệ thống định danh cho biết người được định danh có trong cơ sở dữ liệu của
hệ thống nhận dạng vân mạch máu và hệ thống có thể lấy ra danh tính của một người
bằng cách so khớp các thuộc tính vân mạch máu của người này với các thuộc tính
được lưu trữ của tất cả những người khác trong cơ sở dữ liệu. Do đó, việc định danh
liên quan đến tìm kiếm một-nhiều [29].
1.2.2 Hệ thống xác thực
Hệ thống xác thực kiểm tra xác nhận danh tính được yêu cầu bởi người dùng
với hệ thống. Do đó, hệ thống xác thực khơng cần phải so khớp các thuộc tính vân
mạch máu đã chỉ định với tất cả các thuộc tính được lưu trữ; nó chỉ cần so khớp với
một cặp thuộc tính, một thuộc tính đại diện cho danh tính được yêu cầu và một thuộc

17


tính khác được đo lường tại thời điểm yêu cầu. Do đó, xác thực bao gồm tìm kiếm

một-một [29].
1.2.3 Quy trình nhận dạng vân mạch máu lịng bàn tay
Một hệ thống nhận dạng vân mạch máu lòng bàn tay điển hình bao gồm bốn
bước: thu nhận hình ảnh vân mạch máu lòng bàn tay, tiền xử lý, đặc biệt là ở vị trí
ROI, rút trích đặc trưng và so khớp, được minh họa trong Hình 1.2. Thu nhận hình
ảnh vân mạch máu lòng bàn tay. Tiền xử lý trước một phần phân đoạn hình ảnh vân
mạch máu lịng bàn tay để rút trích đặc trưng. Q trình rút trích đặc trưng thu được
các đặc trưng hiệu quả từ vân mạch máu lòng bàn tay được xử lý trước. So khớp đặc
trưng so sánh hai đặc trưng vân mạch máu lòng bàn tay và cơ sở dữ liệu lưu trữ các
mẫu đã đăng ký.
Thu nhận ảnh

vân mạch máu
lịng bàn tay

Vị trí
ROI

Quyết định:
Thật hoặc

So khớp

Rút trích

đặc trưng

đặc trưng

giả mạo

Hình 1.2 Sơ đồ khối nhận diện bằng hình ảnh vân mạch máu lịng bàn tay

Thu nhận ảnh
1.2.3.1.1

Giới thiệu

Trong nghiên cứu sinh trắc học, kết hợp nhiều phương thức hình ảnh đã được
chứng minh một cách đầy hứa hẹn để nâng cao hiệu suất nhận dạng. Theo lý thuyết
điện từ, các sóng hertzian từ ánh sáng quang phổ nhìn thấy được đến tia hồng ngoại
phụ cận cung cấp khả năng xâm nhập mạnh hơn vào các đặc trưng. Đối với sinh trắc
học bàn tay, đèn chiếu sáng đa phổ có thể xuyên qua các mô dưới da ở các độ sâu
18


khác nhau trong các vùng lịng bàn tay và hình thành hình ảnh kết cấu bề mặt da và
động mạch (bao gồm vân mạch máu lòng bàn tay). Dựa trên đặc tính này, thiết kế
một thiết bị hình ảnh đa phổ để thu thập thông tin tương quan và bổ sung của bàn tay
con người [15].
1.2.3.1.2

Mô tả thu nhận ảnh

Thiết bị chụp ảnh đa quang phổ lòng bàn tay, như thể hiện trong Hình 1.3. Tất
cả hình ảnh lịng bàn tay với mức xám 8 bit. Đối với mỗi bàn tay, chụp hai phiên hình
ảnh lịng bàn tay. Khoảng thời gian giữa hai đợt hơn một tháng. Trong mỗi phiên, có
ba mẫu. Mỗi mẫu chứa sáu hình ảnh lịng bàn tay được chụp cùng một lúc với sáu
quang phổ khác nhau. Bước sóng của đèn chiếu sáng tương ứng với sáu quang phổ
lần lượt là 460nm, 630nm, 700nm, 850nm, 940nm và ánh sáng trắng. Giữa hai mẫu,

cho phép thay đổi các tư thế tay ở một mức độ nhất định. Thơng qua đó, hướng tới
việc tăng tính đa dạng của các mẫu nội lớp (intra-class) và mô phỏng ứng dụng thực
tế[15].

Hình 1.3 Thiết bị chụp ảnh đa phổ lịng bàn tay

Trong thiết bị chụp ảnh đa phổ lòng bàn tay khơng có chốt để hạn chế tư thế
và vị trí của lòng bàn tay. Đặc trưng được yêu cầu đặt lịng bàn tay vào thiết bị và đặt
nó trước nền đồng màu. Thiết bị cung cấp ánh sáng phân bố đồng đều và chụp ảnh
19


lòng bàn tay bằng camera CCD được gắn cố định trên đáy thiết bị. Một mạch điều
khiển được thiết kế để điều chỉnh phổ một cách tự động. Sáu hình ảnh vân lịng bàn
tay điển hình trong cơ sở dữ liệu được hiển thị trong Hình 1.4[15].

Hình 1.4 Sáu hình ảnh vân lịng bàn tay điển hình trong cơ sở dữ liệu

Tiền xử lý
Rút trích ROI là một vấn đề nóng đối với việc xác định vân lịng bàn tay và
vân mạch máu lịng bàn tay. Rút trích ROI đề cập đến việc thực hiện một loạt các
điều chỉnh và vị trí các điểm chính (key point) cho các hình ảnh vân mạch máu lòng
bàn tay và lòng bàn tay khác nhau, sau đó khu vực trung tâm hiệu quả được chọn để
rút trích và so sánh đặc trưng được thực hiện để nhận dạng. Vùng trung tâm này
thường được gọi là vùng quan tâm (ROI), đối với hình ảnh vân mạch máu và vân lòng
bàn tay của cùng một lịng bàn tay, vị trí của ROI phải giống nhau. Mục đích xác định
vị trí và lựa chọn ROI để thực hiện normalization khu vực đặc trưng các đường vân
lòng bàn tay và vân mạch máu lòng bàn tay khác nhau, do đó ảnh hưởng của các yếu
tố bất lợi sẽ được loại bỏ và hình ảnh phụ bao gồm thơng tin đa dạng về vân lịng bàn
tay hoặc vân mạch máu lịng bàn tay được rút trích thuận tiện cho việc rút trích và so

khớp đặc trưng sau này. Hiện nay có rất nhiều phương pháp rút trích ROI [25-28].
Các phương pháp rút trích ROI của vân mạch máu lòng bàn tay và vân lòng bàn tay
20


dựa trên đường tròn nội tiếp cực đại [27] và phương pháp tâm [16]. Phương pháp
đường tròn nội tiếp cực đại sử dụng tâm và bán kính được xác định trong lòng bàn
tay, và đường tròn nội tiếp lớn nhất trong tất cả các diện tích lịng bàn tay sẽ được
thực hiện, sau đó thực hiện hiệu chỉnh góc quay của lịng bàn tay. Hình vng nội
tiếp lớn nhất được cắt ra trong hình trịn nội tiếp, cuối cùng được chuẩn hóa thành
kích thước của hình ảnh ROI 128 × 128. Phương pháp dựa trên việc rút trích tâm sử
dụng tâm của hình ảnh lịng bàn tay đã thu được và hình ảnh con hình chữ nhật có
kích thước là 256 × 256 được ngăn lại bằng cách sử dụng tâm làm trung tâm.
Trong đó phương pháp đường trịn nội tiếp cực đại thường hay được sử dụng trong
giai đoạn tiền xử lý để rút trích ROI, đặc trưng vân mạch máu lịng bàn tay nhận được
sau khi rút trích giàu thơng tin.
Lưu đồ phương pháp đường trịn nội tiếp cực đại.

Nhận đường

Xoay hình ảnh,

trịn nội tiếp

cắt hình chữ

Tiền xử lý

cực đại

nhật nội tiếp

Cắt

Nhị

Hoạt động

hình ảnh

phân

hình thái

Cắt vùng ROI

Hình 1.5 Lưu đồ của phương pháp đường tròn nối tiếp cực đại rút trích ROI

Vì có một số nhiễu trên cạnh của hình ảnh, trước tiên cắt bỏ một số cạnh khơng
cần thiết và sau đó xử lý nhị phân hình ảnh, biến ảnh thành ảnh đen trắng để giảm
đáng kể chi phí tính tốn. Sau khi xử lý nhị phân, hình ảnh thu được khơng lý tưởng,
có một số đốm trắng nhỏ là nhiễu khơng hữu dụng. Do đó, sử dụng phép tốn hình
thái (morphological) để loại bỏ những nhiễu này. Ví dụ, hình ảnh bảng màu dưới
nguồn sáng trắng được chọn ngẫu nhiên từ cơ sở dữ liệu CASIA [15]. Hình 1.6 là
hình ảnh màu xám và Hình 1.7 là hình ảnh nhị phân sau các phép tốn hình thái.

21


Hình 1.6 Hình ảnh mức xám

Hình 1.7 Hình ảnh nhị phân sau các phép tốn hình thái

Bởi vì mỗi người có kích thước lịng bàn tay khác nhau và vị trí của lịng bàn
tay cũng khác nhau khi thu thập các bảng màu, phương pháp xác định vị trí dựa trên
đường tròn nội tiếp cực đại. Cách tiếp cận này tận dụng các đặc điểm đường viền
hình dạng bàn tay, các bước cụ thể như sau:
1) Sau khi tiền xử lý, thu được hình ảnh nhị phân của lịng bàn tay, điểm trung
tâm của đường tròn nội tiếp cực đại trong lòng bàn tay nằm trong vùng lòng
bàn tay. Để nâng cao hơn nữa hiệu quả của các phép tính, điểm trung tâm có
thể nằm trong lịng bàn tay xung quanh tâm. Sử dụng tâm làm điểm gốc để xác
định một hình chữ nhật có chiều dài nhất định. Theo kinh nghiệm, thường xác
định kích thước hình chữ nhật là 100 × 100. Tìm kiếm tâm vịng trịn trong
khu vực này sẽ cải thiện hiệu quả rất nhiều.
2) Lấy một điểm trong hình chữ nhật làm tâm của đường trịn và thay đổi dần bán
kính của hình trịn. Khi cạnh của vòng tròn này rơi vào cạnh của vân mạch
máu lịng bàn tay, sẽ ngừng tìm kiếm bán kính và ghi lại bán kính của hình
trịn này.

22


3) Thay đổi tâm của đường tròn và tiếp tục tìm bán kính của đường trịn. Cuối
cùng, ghi lại tâm điểm và bán kính của hình trịn lớn nhất. Đường trịn này là
đường trịn nội tiếp cực đại của tồn bộ diện tích lịng bàn tay.
Khơng có giới hạn đối với vị trí xoay của lịng bàn tay khi thu thập hình ảnh, vì
vậy thực hiện hiệu chỉnh xoay hình ảnh lịng bàn tay trước khi ROI bị chặn.
Ngồi tâm O, đặt thêm một điểm tham chiếu L. Xác định bán kính đường trịn nội
tiếp lớn nhất bằng R, lấy tâm của đường tròn làm gốc, vẽ đường tròn với KR (K> 1),
đường trịn sẽ giao nhau với các ngón tay. Tìm giao điểm A, B của ngón giữa và ngón

đeo nhẫn, sau đó nhận được điểm trung tâm L, nối OL là trục tọa độ x mới như Hình
1.8. Trong tọa độ mới, hình ảnh lịng bàn tay được xoay.

Hình 1.8 Hình ảnh xoay

Và sau đó, lấy O làm tâm, R là bán kính và lấy kích thước R × R của hình ảnh
con có kích thước khơng cố định. Đó là trong hình trịn nội tiếp cực đại, tiến hành
chặn hình vng nội tiếp lón nhất là ROI, và sau đó chuẩn hóa thành kích thước 128
× 128. Các thực nghiệm sau sử dụng bảng màu dưới nguồn sáng trắng làm ví dụ, kết
quả được thể hiện trong Hình 1.9 và 1.10.

23


Hình 1.10 Hình ảnh ROI vân lịng bàn
tay

Hình 1.9 Cắt hình ảnh ROI

Hình ảnh vân mạch máu lịng bàn tay và hình ảnh lịng bàn tay tương tự nhau,
cả hai đều là từ lòng bàn tay, nhưng dưới các bước sóng khác nhau của nguồn sáng,
thơng tin hiển thị là khác nhau. Dưới nguồn ánh sáng trắng, thông tin về vân lòng bàn
tay được hiển thị và dưới ánh sáng hồng ngoại gần 850nm, thơng tin về vân mạch
máu lịng bàn tay được thể hiện, vì vậy các bước rút trích giống nhau. Hình ảnh ROI
vân mạch máu lịng bàn tay được trích xuất cuối cùng được hiển thị trong Hình 1.11.
Có thơng tin đa dạng về vân mạch máu lịng bàn tay trong hình ảnh.

Hình 1.11 Hình ảnh ROI của vân mạch máu lịng bàn tay

Rút trích đặc trưng và so khớp

Khi hình ảnh ROI được phân đoạn, các đặc trưng có thể được rút trích để so
khớp. Các cách tiếp cận rút trích đặc trưng có thể được phân loại rộng rãi thành hai
loại trên cơ sở bản chất của đặc trưng được rút trích. Một là phương pháp dựa trên
hình học vân mạch máu lịng bàn tay và phương pháp dựa trên tổng thể ROI. Phương
pháp dựa trên tổng thể hình ảnh ROI, phương pháp này lấy tồn bộ hình ảnh ROI và
sử dụng thơng tin hình ảnh trực tiếp. Phương pháp dựa trên tổng thể hình ảnh ROI,
chia thành các phương pháp bao gồm phương pháp tiếp cận dựa trên kết cấu, phương

24


pháp tiếp cận dựa trên đặc trưng cục bộ bất biến và phương pháp tiếp cận dựa trên
không gian con.
Phương pháp tiếp cận dựa trên hình học [30-32] thường sử dụng thông tin cấu
trúc mạch máu, như đặc điểm điểm hoặc đặc điểm đường để mơ tả vân mạch máu
lịng bàn tay. Phương pháp sử dụng thuật toán phát hiện cạnh để rút trích thơng tin
hướng và vị trí của các vân, đường hoặc đặc trưng điểm. Cách tiếp cận này sử dụng
thông tin vân mạch máu trực tiếp và thông tin cấu trúc phản hồi rõ ràng nhất. Tuy
nhiên, khi hiện tượng tán xạ da và nhòe quang học xảy ra, không thể chụp ảnh một
số mạch máu hoặc một phần của mạch máu. Phương pháp này không bất biến đối với
việc xoay, thu nhỏ hoặc dịch hình ảnh vân mạch máu.
Các phương pháp tiếp cận dựa trên kết cấu sử dụng các đặc trưng kết cấu thống
kê khác nhau [33], chẳng hạn như đặc trưng dẫn xuất cục bộ (LDP) [34, 35], mẫu nhị
phân cục bộ (LBP) [36-38] và các biến thể [39-43] hoặc đặc trưng cấu trúc kết cấu
như Gabor và các biến thể từ hình ảnh vân mạch máu lòng bàn tay [44-51]. Các
phương pháp này mô tả sự phân bố biểu đồ mức xám của hình ảnh vân mạch máu,
nhưng làm mất thơng tin vị trí trên kết cấu vân mạch máu. Do đó, một số giai đoạn
được áp dụng để bù đắp. Tuy nhiên, việc sử dụng các giai đoạn bù trừ nhạy cảm với
những thay đổi trong dịch chuyển, quay và tỉ lệ, điều này làm cho phương pháp không
phù hợp để nhận dạng vân mạch máu không tiếp xúc. Đôi khi phương pháp này cũng

sẽ bị ảnh hưởng bởi thông tin kết cấu khơng đầy đủ trong lịng bàn tay của một số
người.
Các phương pháp tiếp cận dựa trên đặc trưng cục bộ bất biến như đặc trưng
biến đổi bất biến theo tỉ lệ (SIFT) [52, 53], đặc trưng cải thiện tốc độ (SURF) [54],
RootSIFT [55] và đặc trưng mở rộng bất biến liên kết của thuật tốn SIFT (ASIFT)
[56] là khơng nhạy cảm với thay đổi xoay, tỉ lệ và trục. So khớp các điểm chính được
sử dụng trong nhận dạng. Phương pháp này được sử dụng cho hệ thống thiết kế khơng
tiếp xúc. Thuật tốn SURF cho thấy hiệu suất tổng hợp tốt nhất trong khi ASIFT [57]
cho thấy độ chính xác cao nhất, phù hợp với phân tích lý thuyết. RootSIFT [55] và
SIFT [52] áp dụng cùng giai đoạn phát hiện và mô tả đặc trưng bao gồm các bước:
(i) phát hiện điểm cực trị không gian theo tỉ lệ; (ii) định vị điểm chính; (iii) xác định
25