Khóa luận Nghiên cứu và phát triển ứng dụng nhận dạng vân tay

hông nhỏ các ảnh vân tay ( khoảng 10% ) là có chất lượng thấp như trong hình 3.23b và 3.23c. Hình 2.2: a) ảnh vân tay chất lượng tốt, b) vân tay với các nếp đứt, gãy c) Vân tay có rất nhiều nhiễu Trong nhiều trường hợp, một ảnh vân tay chứa nhiều vùng gồm có cả chất lượng tốt, trung bình và xấu .Nói chung, có vài dạng mất giá trị liên hệ với các ảnh vân tay: các vân không liên tục,có vài nếp đứt các vân song song không tách biệt rõ ràng do tồn tại của nhiễu liên kết các vân song song, khiến chúng tách biệt kém bị cắt, có nếp gấp, hay thâm sẹo Ba dạng bị vân mất giá trị này làm cho việc trích chọn đặc tính cực kì khó khăn. Chúng dẫn tới các vấn đề sau trong việc trích chọn đặc tính: Trích chọn các chi tiết sai lệch Bỏ qua các chi tiết đúng Gây lỗi về hướng và vị trí của chi tiết Để bảo đảm hiệu quả tốt trong các thuật toán trích chọn chi tiết trên các ảnh vân tay chất lượng kém, cần một thuật toán tăng cường để nâng cao sự rõ ràng trong cấu trúc vân. Một chuyên gia vân tay thường có thể nhận dạng chính xác các chi tiết bằng cách sử dụng nhiều manh mối nhìn được như hướng vân tay, tính liên tục của vân, xu hướng vân…Trong lý thuyết, có thể phát triển một thuật toán tăng cường sử dụng các manh mối nhìn được này để cải thiện chất lượng hình ảnh. Nói chung, với một ảnh vân tay cho trước, các cùng vân tay đã được phân đoạn có thể chia vào ba hạng mục: Vùng được định nghĩa tốt: các vân được phân biệt rõ ràng với các vân khác Vùng có khả năng phục hồi: các vân bị hư hỏng bởi các đường đứt gãy nhỏ, thâm sẹo… nhưng chúng vẫn có khả năng nhìn được và các vùng xung quanh cung cấp thông tin đủ để khôi phục cấu trúc ban đầu của chúng Vùng không thể phục hồi, nơi các vân bị hư hại bởi các nhiễu nghiêm trọng, không có vân nào nhìn thấy được và các vùng xung quanh không cho phép chúng được xây dựng lại Các vùng chất lượng tốt, có thể phục hồi và không thể phục hồi có thể được nhận dạng qua vài tiêu chuẩn: độ tương phản, tính đầy đủ của hướng, tần suất vân, và các đặc tính cục bộ khác có thể kết hợp để định nghĩa chỉ số chất lượng. Mục đích của một thuật toán tăng cường là để cải thiện tính rõ ràng của các cấu trúc vân trong các vùng có khả năng khôi phục và đánh dấu các vùng không thể khôi phục vì quá nhiễu cho các xử lý tiếp theo. Thông thường,đầu vào của thuật toán tăng cường là một ảnh cấp xám. Đầu ra có thể là ảnh cấp xám hay một ảnh đen trắng, tùy thuộc vào thuật toán. Nhiều kết quả khi sử dụng các phương pháp dàn trải tương phản, thực thi biểu đồ, chuẩn hóa ( Hong, Wan và Jain, 1998 ) và lọc Winer ( Greenberrg et al, 2000 ) đã thể hiện hiệu quả như là bước xử lý đầu tiên trong một thuật toán tăng cường ảnh vân tay phức tạp hơn Phương pháp chuẩn hóa sử dụng bởi Hong, Wan, và Jain ( 1998 ) quyết định giá trị cường độ của mỗi điểm ảnh như: Trong đó m và v là kì vọng và phương sai ảnh, còn mo và vo là kì vọng và phương sai mong muốn sau khi chuẩn hóa. Quá trình chuẩn hóa được thực hiện trên từng điểm ảnh ( giá trị của mỗi điểm ảnh chỉ phụ thuộc vào các giá trị trước và một vài tham số toàn cục ) và không làm thay đổi cấu trúc vân. Cụ thể hơn, chuẩn hóa không làm phủ đầy các đứt gãy nhỏ, các lỗ, hay tách các vân song song bị chạm vào nhau. Hình 2.3 thể hiện một ví dụ: Hình 2.3: Một ví dụ về chuẩn hoá với m0 = 50 và v0 = 200 Hong, Wan và Jain ( 1998 ) đưa ra một phương pháp hiệu quả dựa trên bộ lọc Gabor. Bộ lọc Gabor có các thuộc tính chọn tần suất và chọn hướng và có độ phân giải tùy chọn trong cả miền không gian và miền tần số ( Daugman ( 1995 ) và Jain và Farrokhnia ( 1991 ) ). Như đã trong hình 3.28, một bộ lọc Gabor được định nghĩa bởi một sóng phẳng hình sin ( đại lượng thứ hai của biểu thức (5 ) hẹp lại bởi một Gauss ( thành phần đầu của (5) ). Một bộ lọc đối xứng hai chiều Gabor có dạng sau: Trong đó θ là hướng của bộ lọc, và [xθ, yθ] là ảnh của [x,y] sau khi quay quanh trục Cartesian một góc ( 90o – θ ): trong biểu thức ở trên, f là tần suất của sóng phẳng hình sin, σx , σy là độ lệch chuẩn Gauss tương ứng dọc theo trục x và trục y. Hình 2.4 :Biểu diễn đồ họa của bộ lọc Gabor xác định bởi tham số Để áp dụng các bộ lọc Gabor tới một ảnh,cần xác định bốn tham số ( θ, f, σx, σy ) . Tần suất của bộ lọc hoàn toàn được quyết định bởi tần suất vân cục bộ và hướng của bộ lọc được quyết định bởi hướng vân cục bộ. Việc chọn các giá trị σx và σy có thể hoán đổi cho nhau. Nếu chọn giá trị lớn thì bộ lọc sẽ chịu nhiễu nhiều hơn, nhưng lại tạo ra sự nhầm lẫn giữa vân lồi và vân lõm. Ngược lại nếu chọn giá trị nhỏ, thì các bộ lọc ít nhầm lần giữa vân lồi và vân lõm nhưng sau đó chúng sẽ ít hiệu quả trong việc loại bỏ các nhiễu. Trong thực tế, từ hàmModulation Transfer Function ( MFT ) của bộ lọc Gabor, có thể nhận thấy tăng σx , σy làm giảm dải thông của bộ lọc và ngược lại. Dựa trên dữ liệu kinh nghiệm, Hong, Wan và Jain đặt σx = σy = 4. Để làm nhanh quá trình cải thiện, thay vì tính bộ lọc ngữ cảnh thích hợp nhất cho mỗi điểm ảnh “on the fly”, một tập { gij ( x, y )| I = 1…no, j = 1…nf } của các bộ lọc được tạo ra và lưu trữ từ trước, trong đó no là số các hướng rời rạc { θi| I = 1…no } và nf là số các tần suất rời rạc { fj | j = 1…nf }. Sau đó mỗi điểm ảnh [x, y] của ảnh được quấn lại, trong miền không gian, với bộ lọc gij ( x, y ), với θi là hướng được rời rạc hóa gần nhất với θxy và fj là tần số được rời rạc hóa gần nhất với fxy. Hình 3.29 thể hiện một ví dụ về tập bộ lọc cho n0 = 8 và nf = 3. Hình 3.30 trình bày ứng dụng Gabor dựa trên lọc ngữ cảnh trên các ảnh chất lượng trung bình và thấp: Hình 2.5: Một biểu diễn đồ họa trong một nhóm 24 bộ lọc Gabor ( n0=8 và n1=5) với =4 Greenberg et al ( 2000 ) đã lưu ý rằng: bằng cách giảm giá trị của σx tương ứng với σy, quá trình lọc tạo ra vài vân sai và dễ bị nhiễu. Trong thực hành, giảm σx gây kết quả tăng dải thông tần suất, độc lập với dải thông góc không đổi; điều này cho phép bộ lọc bỏ qua tốt hơn các lỗi trong ước lượng tần suất cục bộ. Một cách tương tự, giảm σy để tăng dải thông góc như đã chỉ ra bởi Sherlok, Monro, và Millard ( 1994 ). Phương pháp của họ tăng dải thông góc gần với các vùng đơn mà các vân được đặc tính hóa bởi đường cong cao hơn và hướng thay đổi nhanh. Hình 2.6: Các ví dụ của tăng cường ảnh vân tay dựa vào lọc Gabor. Ở bên phải các vùng có khả năng khôi phục đã được tăng cường Đầu ra của một ảnh chuẩn hóa có thể là một ảnh cấp xám, gần ảnh hai cấp, hay là một ảnh nhị phân, và nói chung phụ thuộc vào các tham số được chọn, khi chọn tập các bộ lọc thích hợp, chỉnh sửa các tham số. Lưu ý rằng, mục đích không phải là cung cấp một sự xuất hiện tốt bề ngoài của ảnh nhưng là để làm thuận tiện hơn cho các bước trích họng đặc tính thành công. Nếu các bộ lọc được chỉnh sửa để làm tăng độ tương phản và khử các nhiễu, ước lược điều kiện cục bộ ( hướng và tần suất ) có thể lỗi trên các vùng chất lượng thấp, và qúa trình lọc chỉ cung cấp các cấu trúc sai lầm ( Jiang, 2000 ). Ví dụ, một ứng dụng lặp dùng bộ lọc Gabor đã được sử dụng bởi Cappeli, Maio, và Maltoni ( 2000b ) để tạo ra một mẫu vân tay tổng hợp; trong trường hợp này, các bộ lọc sinh ra các mẫu vân hoàn toàn không tồn tại trong thực tế. Nhu cầu của một sự chuẩn hóa hiệu quả rất quan trọng trong các ảnh vân tay chất lượng thấp, chỉ có các vùng có khả năng khôi phục mang thông tin cần thiết cho đối sánh. Nói một cách khác, tính toán thông tin cục bộ với tính tin cậy đầy đủ từ các ảnh vân tay chất lượng thấp là một thách thức và rủi ro cao. Để vượt qua vấn đề này, Kamei và Mizoguchi ( 1995 ), Hong ( 1996 ) và Bernard ( 2002 ) đã đề nghị áp dụng tất cả tập bộ lọc cho trước tại mỗi điểm của ảnh. Một bộ tuyển áp sau đó được chọn có đáp ứng tốt nhất trong tất cả các đáp ứng lọc. Trong phương pháp của Kamei và Mizoguchi ( 1995 ), quá trình chọn được thực hiện bằng cách giảm thiểu hóa hàm năng lượng có các tham số yêu cầu hướng và tần suất được làm mượt. Dù sao, không như các phương pháp dựa Gabor khác, thông tin từ phần thực và phần ảo của bộ lọc Gabor còn được sử dụng cho chuẩn hóa ảnh cuối cùng. Nhưng các phương pháp này nhân chập một ảnh với một lượng lớn các bộ lọc nên rất đắt, vì vậy không tìm thấy ứng dụng này trong các hệ thống trực tuyến trong thực tế. 2.6. Phát hiện chi tiết. Hầu hết các hệ thống tự động so sánh các vân tay dựa trên đối sánh chi tiết; vì vậy việc trích chọn chi tiết đáng tin cậy là một nhiệm vụ cực kì quan trọng, nhiều nghiên cứu đã được tiến hành theo hướng này. Dù các phương pháp khá khác nhau nhưng hầu hết chúng đều yêu cầu ảnh cấp xám vân tay được chuyển vào ảnh nhị phân. Trong các bước chuẩn hóa đã chuẩn bị một số giai đoạn để làm thuận tiện quá trình nhị phân hóa về sau.Một vài thuật toán chuẩn hóa cung cấp đầu ra là ảnh nhị phân, vì vậy sự phân biệt giữa chuẩn hóa và nhị phân hóa đôi khi bị xóa nhòa. Ảnh nhị phân nhận được bởi quá trình nhị phân hóa thường được qua giai đoạn làm mảnh làm cho độ dày của đường vân giảm xuống một điểm ảnh ( hình 3.31 ). Cuối cùng qua quá trình quét ảnh cho phép phát hiện các điểm ảnh tương ứng với các chi tiết. Hình 2.7: a)ảnh cấp xám của một vân tay, b) ảnh nhận được khi nhị phân hóa ảnh a), c)ảnh nhận được khi làm mảnh ảnh b). Vài tác giả đưa ra các phương pháp trích chọn chi tiết làm việc trực tiếp trên các ảnh cấp xám mà không cần nhị phân hóa và làm mảnh. Lựa chọn này được đưa ra do các điều kiện sau: Tập các thông tin quan trọng có thể bị mất trong quá trình nhị phân hóa Nhị phân hóa và làm mảnh rất mất thời gian; Làm mảnh có thể đưa ra một lượng lớn các chi tiết sai lệch nếu thiếu bước chuẩn hóa, hầu hết các kĩ thuật nhị phân hóa không cung cấp các kết quả tốt khi áp dụng với các ảnh chất lượng thấp. Phương pháp dựa nhị phân hóa Vấn đề chung của nhị phân hóa được nghiên cứu rộng rãi trong xử lý ảnh và nhận dạng mẫu. Phương pháp dễ dàng nhất sử dụng ngưỡng toàn cục t và được thực hiện bằng cách thiết lập các điểm ảnh có cấp xám nhỏ hơn t về 0 và các điểm ảnh còn lại về 1. Nói chung, các phần khác nhau của ảnh có thể được đặc tính hóa bởi độ tương phản và cường độ khác nhau, vì vậy một ngưỡng đơn là không đủ để nhị phân hóa chính xác. Vì lí do này, kĩ thuật ngưỡng cục bộ thay đổi t một các cục bộ, bằng cách điều chỉnh giá trị của nó theo cường độ cục bộ trung bình. Trong trường hợp ảnh vân tay chất lượng thấp, phương pháp ngưỡng cục bộ không phải lúc nào cũng bảo đảm một kết quả chấp nhận được, và các giải pháp đặc biệt là cần thiết. Với mục đích cải thiện chất lượng ảnh nhị phân, vài nhà nghiên cứu giới thiệu các kĩ thuật chính quy phủ đầy các lỗ, lọa bỏ các đứt gãy nhỏ, lọa bỏ các cầu giữa các vân. Coetzee và Botha ( 1993 ) xác định các lỗ và kẽ hở bằng cách theo dõi các đường vân từ các cửa sổ điều hợp và loại bỏ chúng bằng cách sử dụng thuật toán màu-blob. Hung ( 1993 ) sử dụng kĩ thuật lọc điều hợp để cân bằng độ rộng vân. Một khi ảnh xương đã nhận được, một bước quét ảnh đơn giản cho phép phát hiện các điểm ảnh tương ứng với các chi tiết: trong thực tế các điểm ảnh tương ứng với các chi tiết được đặc tính hóa bằng số điểm đi qua. Số điểm đi qua cn( p ) của một điểm ảnh p trong ảnh nhị phân được xác định bằng một phần hai tổng các sai khác giữa các cặp điểm ảnh trong 8 lân cận của p Trong đó p0, p1…p7 là các điểm ảnh láng giềng lân cận của điểm ảnh p và val( p ) thuộc { 0, 1 } là giá trị của điểm ảnh. Điểm p là: là điểm vân trung gian nếu cn(p) = 2 là điểm kết thúc nếu cn(p) = 1; là các chi tiết phức tạp hơn ( điểm rẽ nhánh, điểm giao cắt.. ) nếu cn(p) >=3; Hình 2.8 thể hiện hai ví dụ của quá trình trích chọn đặc tính từ ảnh nhị phân Hình: Các ví dụ về phát hiện chi tiết trên xương. Các vòng tròn màu trắng và các hộp trắng tương ứng là điểm kết thúc và điểm rẽ hai; Các vòng tròn màu đen và các hộp màu đen tương ứng là các chi tiết đã được lọc 2.7.Lọc chi tiết Để phát hiện các chi tiết sai làm ảnh hưởng đến các ảnh vân tay nhị phân được làm mảnh, có thể sử dụng vài luật cấu trúc đơn giản. Xiao ( 1991b) xác định hầu hết các cấu trúc chi tiết sai và đưa ra phương pháp loại bỏ chúng. Thuật toán sử dụng dựa trên các luật, yêu cầu các đặc tính số học liên quan đến các chi tiết: chiều dài các vân liên quan ( s ), góc chi tiết, và số các chi tiết đối diện gần kề trong lân cận. Hình2.9: Các cấu trúc sai cơ bản ( hàng đầu tiên ) và cấu trúc sau khi sửa lỗi ( hàng thứ hai ) Farina, Kovacs-Vajina, và Leone ( 1999 ) đã đưa ra vài luật và thuật toán tiền xử lý chi tiết. Các cầu bị loại bỏ khi nhìn nhận chúng trong một điểm chẻ hai sai, chỉ có hai nhánh được căn chỉnh, còn nhánh thứ ba thường vuông góc với hai nhánh còn lại Các vân quá ngắn được loại bỏ dựa vào khi so sánh chiều dài vân với khoảng cách trung bình giữa các vân Các điểm kết thúc và rẽ hai được kiểm tra: chúng được loại bỏ nếu không thỏa mãn tính hình học topo Hình 2.10: Tiền xử lý chi tiết theo phương pháp của Farina, Kovacs-vajina, và Leone( 1999). Ở ảnh bên phải, hầu hết các chi tiết sai đã bị loại bỏ từ ảnh ảnh vân bên trái CHƯƠNG 3:ĐỐI SÁNH VÂN TAY 3.1.Đặt vấn đề Một thuật toán đối sánh vân tay so sánh hai vân tay cho trước và trả về độ tương tự ( không làm mất tính tổng quát, có giá trị giữa 0 và 1 ) hoặc một quyết định hai ngôi ( khớp hoặc không khớp ). “Chỉ một vài thuật toán hoạt động trực tiếp trên ảnh vân cấp xám; hầu hết chúng yêu cầu một biểu diễn vân trung gian được dẫn xuất qua gia đoạn trích chọn đặc trưng (đề cập đến ở chương 3 ). Không làm mất tính tổng quát, từ đây về sau chúng ta kí hiệu biểu diễn của vân tay có được qua quá trình tuyển chọn như là mẫu ( T ) và biểu diễn của vân tay được đối sánh như là đầu vào ( I ). Trong trường hợp không có giai đoạn trích chọn đặc trưng, biểu diễn vân tay đồng nhất với chính ảnh cấp xám vân tay.Chúng ta kí hiệu cả ảnh vân tay và các vector đặc trưng ảnh ( như các chi tiết ) là T và I Trích chọn đặc trưng vân tay và các thuật toán đối sánh khá giống nhau cho các bài toán nhận dạng và kiểm tra vân tay. Bới vì bài toán nhận dạng vân tay ( tìm kiếm một vân tay đầu vào trong một cơ sở dữ liệu có N vân tay ) có thể được thực hiện như là thực hiện tuần tự đối sánh một - một ( kiểm tra ) giữa các cặp vân tay. Sự phân loại vân tay và các kĩ thuật đánh chỉ số thường được sử dụng để tăng tốc độ tìm kiếm trong các bài toán nhận dạng vân tay. Đối sánh hai ảnh vân tay là một bài toán cực kì khó, chủ yếu do sự thay đổi dấu in của cùng một vân tay. Các yếu tố chính làm các dấu in khác nhau được tổng kết dưới đây: Sự đổi chỗ: một ngón tay có thể đặt ở các vị trí khác nhau trên bộ cảm biến làm tịnh tiến ảnh vân tay. Một ngón tay thay đổi chỉ 2mm làm tịnh tiến khoảng 40 điểm ảnh trong cùng một vân tay được quét ở độ phân giải 500dpi Sự quay: cùng một vân tay có thể quay ở các góc khác nhau trên bề mặt bộ cảm biến. Mặc dù bộ hướng dẫn ngón tay được gắn trên các máy quét thương mại, nhưng trong thực tế tồn tại sự quay không cố ý lên tới +-20 độ theo chiều dọc. Sự chồng chéo từng phần: sự đổi chỗ và sự quay vân tay thường làm cho một phần vân tay bị đổ ra ngoài vùng nhìn thấy của bộ cảm biến, kết quả là xuất hiện sự chồng chéo giữa các vùng cận cạnh của mẫu vân và các vân tay đầu vào Sự nhiễu phi tuyến: liên quan đến việc ánh xạ hình ảnh ba chiều sang hình ảnh hai chiều trên bề mặt bộ cảm biến. Ánh xạ này gây ra nhiễu phi tuyến trong việc đọc vân tay do sự mềm dẻo của ngón tay. Thông thường, các thuật toán đối sánh vân tay không quan tâm đến các đặc tính như ánh xạ, và xem một ảnh vân tay là không bị nhiễu bằng cách cho rằng: ảnh vân tay được cung cấp khi người dùng đặt đúng vị trí ngón tay; 1.-Tiếp cận ngón tay vuông góc với bộ cảm biến 2.-Khi ngón tay chạm bề mặt bộ cảm biến, người dùng không ấn mạnh hay xoắn ngón tay Do sự mềm dẻo của bề mặt da,các phần lực không vuông góc với bề mặt bộ cảm biến gây ra các nhiễu không tuyến tính ( nén lại hay kéo dãn ra ) trong quá trình lấy vân. Nhiễu làm mất khả năng đối sánh các vân tay như là các mẫu cứng Điều kiện áp lực và da: cấu trúc các vân của một vân tay có thể thu được chính xác nếu như phần ngón tay được lấy ảnh tiếp xúc đúng quy cách với bề mặt bộ cảm biến. Một số điều kiện như áp lực ngón tay, ngón tay khô, bệnh ngoài da, ướt, bẩn, độ ẩm không khí – gây ra sự tiếp xúc không đúng quy cách. Hệ quả là, ảnh vân tay lấy được rất nhiễu và mức độ các nhiễu này phụ thuộc vào mức độ các nguyên nhân nêu trên; Các lỗi trích chọn đặc trưng: các thuật toán trích chọn đặc trưng là không hoàn hảo và thường có các lỗi số đo. Các lỗi có thể tạo ra ở trong bất kì giai đoạn nào trong quá trình trích chọn đặc trưng ( chẳng hạn: ước lượng ảnh hướng và tần suất, phát hiện số lượng, dạng, vị trí các vùng đơn, phân đoạn vùng vân tay từ nền..). Cặp ảnh trong hình 3.1 thể hiện tính thay đổi cao có thể đặc tính hóa hai vết hằn khác nhau của cùng một ngón tay Hình 3.1: Các dấu vân tay thu được của cùng một ngón tay không đối sánh được với nhau do nhiễu phi tuyến ở cặp đầu tiên và do các điều kiện da ở cặp thứ hai bên dưới Các ảnh vân tay từ các ngón tay khác nhau có thể xuất hiện khá giống nhau ( tính thay đổi thấp ), đặc biệt trong bối cảnh cấu trúc tổng thể ( vị trí các vùng đơn, hướng vân cục bộ…) Mặc dù khả năng một lượng lớn các chi tiết từ các vết ấn của hai vân tay khác nhau có thể so khớp là cực kì nhỏ , những người đối sánh vân tay hướng tới việc sử dụng các phép căn chỉnh tốt nhất. Họ thường xuyên có ý định khai báo các cặp chi tiết so khớp thậm chí ngay cả khi chúng không trùng khớp hoàn hảo. Một lượng lớn các thuật toán đối sánh vân tự động đã được đề nghị trong các tài liệu nhận dạng mẫu. Hầu hết các thuật toán này không gặp khó khăn trong đối sánh các ảnh vân tay chất lượng tốt. Nhưng trong đối sánh vân tay tồn tại thách thức ở các ảnh chất lượng thấp và vấn đề đối sánh từng vùng vân tay. Trong trường hợp hệ thống trợ giúp con người AFIS, một thuật toán kiểm tra chất lượng được sử dụng để chỉ lấy và chèn vào cơ sở dữ liệu các ảnh vân tay tốt. Hơn nữa, quá trình xử lý các mẫu vân khó có thể được quản lý. Dù sao, sự can thiệp là không thể trong các hệ thống nhận dạng trực tuyến tự động-những hệ thống này đang có nhu cầu ngày càng tăng trong các ứng dụng thương mại Thống kê các lỗi không đối sánh sai xuất hiện nhiều trong các thuật toán đối sánh tham dự vào FVC2000 cho thấy hầu hết các lỗi được tạo ra trên 15-20% các ảnh vân tay chất lượng kém. Nói một cách khác, 20% mẫu trong cơ sở dữ liệu chịu trách nhiệm cho khoảng 80% các lỗi không-đối sánh sai. Vài cải tiến trong công nghệ nhận dạng vân tay được chứng minh sau đó hai năm ở FVC2002, nơi mà vài thuật toán được đưa ra đối sánh đúng nhiều ảnh vân tay chất lượng kém. Tuy vậy vẫn có nhu cầu tiếp tục phát triển các hệ thống mạnh có khả năng làm việc với các ảnh vân tay chất lượng kém. Các phương pháp đối sánh vân tay có thể được phân loại thô vào ba họ: Đối sánh dựa độ tương quan: Hai ảnh vân tay được đặt chồng lên và độ tương quan giữa các điểm ảnh tương ứng được tính với sự căn chỉnh khác nhau ( ví dụ với các vị trí và độ quay khác nhau ). Các kĩ thuật dựa độ tương quan được mô trả trong phần 4.2 Đối sánh dựa vào chi tiết: Đây là kĩ thuật phổ biến nhất và được sử dụng rộng rãi nhất.Chi tiết được trích chọn từ hai vân tay được lưu giữ như là tập các điểm trong một bề mặt hai chiều. Đối sánh dựa chi tiết cơ bản bao gồm tìm kiếm sự căn chỉnh giữa tập chi tiết mẫu và tập chi tiết đầu vào dẫn tới sự so khớp lớn nhất các cặp chi tiết. Đối sánh dựa đặc tính vân: trong các ảnh vân tay chất lượng thấp, việc trích chọn chi tiết rất khó khăn. Khi các đặc trưng khác của mẫu vân tay ( ví dụ: hướng và tần suất cục bộ, hình dạng vân, thông tin kết cấu ) có thể được trích chọn một cách tin cậy hơn chi tiết, sự khác biệt của chúng là không cao. Các phương pháp thuộc họ này so sánh các vân tay với các đặc trưng được trích chọn từ các mẫu vân. Về nguyên lý, đối sánh dựa độ tương quan và đối sánh dựa vào chi tiết có thể xem như là một phần của đối sánh dựa đặc trưng vân, theo cách hiểu mật độ điểm ảnh, vị trí chi tiết là nhưng đặc trưng của mẫu vân ngón tay Nhiều kĩ thuật khác cũng đã được đề nghị chính thức, về nguyên lý, có thể được xếp vào các họ trên theo các đặc trưng được sử dụng, nhưng chúng ta đề cập để phân loại chúng tách biệt trên cơ sở các kĩ thuật đối sánh. Chúng bao gồm các phương pháp dựa mạng thần kinh và các cố gắng thực hiện đối sánh vân sử dụng các bộ xử lý song song hoặc với các kiến trúc dành riêng khác 3.2. Các kĩ thuật dựa độ tương quan Để T và I là hai ảnh vân tay tương ứng với vân tay mẫu và vân tay đầu vào. Một số đo trực quan về sự đa dạng ( SSD ) được tính bằng tổng các bình phương khác nhau của các cường độ các điểm ảnh tương ứng: SSD(T,I) = ||T-I||2 =( T-I )T(T-I) = ||T||2 + ||I||2 -2TTI (1) Trong đó chỉ số trên T kí hiệu sự hoán vị của một vector. Nếu ||T||2 và ||I||2 là hằng số, sự đa dạng giữa hai ảnh được tối thiểu khi độ tương quan ( CC )) giữa T và I được cực đại CC(T,I ) = TTI. (2) Đại lượng -2.CC(T,I ) xuất hiện như là đại lượng thứ ba của biểu thức (1). Độ tương quan chéo ( hay gọi đơn giản độ tương quan ) là độ đo tính tương tự giữa hai ảnh. Do sự đổi chỗ và sự quay là không thể tránh khỏi, đặc tính vết ấn của một ngón tay cho trước, tính tương tự giữa chúng không thể đơn giản được tính bằng cách đặt chồng T và I và áp dụng biểu thức (2). Kí hiệu I(∆x,∆y,) thể hiện một sự quay của ảnh đầu vào I bởi một góc quanh điểm đầu ( thường là trung tâm ảnh ) và dịch một đoạn ∆x., ∆y dọc theo trục x và y; khi đó độ tương tự giữa hai ảnh T và I có thể được đo như sau: S(T,I) = max CC(T, I(∆x,∆y,)). (3) Ứng dụng trực tiếp của đẳng thức (3) hiếm khi dẫn tới các kết quả chấp nhận được chủ yếu là do các vấn đề sau: Các nhiễu phi tuyến làm cho các vết ấn của cùng một ngón tay khác nhau trong cấu trúc toàn cục; Sự nhiễu mềm dẻo không thay thế mẫu vân tay ở các vị trí cục bộ, nhưng các hiệu ứng của nhiễu được tích hợp trong không gian ảnh, mẫu vân tay toàn cục không thể được tương quan một cách đáng tin cậy Điều kiện da và áp lực ngón tay làm cho độ sáng, độ tương phản, độ giày vân thay đổi trong các vết ấn khác nhau. Sử dụng các số đó độ tương quan phức tạp hơn như độ tương quan chéo được chuẩn hóa hay độ tương quan chéo được chuẩn hóa 0-Trung bình có thể bỏ qua sự thay đổi độ sáng, độ tương phản để áp dụng các bước tăng cường ảnh, nhị phân hóa và làm mảnh ( thực hiện trên cả ảnh T và I ) có thể hạn chế độ dày vân. Hatano ( 2002 ) đã đưa ra giả thuyết sử dụng độ tương quan khác nhau, được tính như là độ tương quan lớn nhất trừ đi độ tương quan nhỏ nhất, trong một lân cận điểm nơi mà độ tương quan là lớn nhất. Trong thực tế, do tính chu kì của các mẫu vân tay, nếu hai phần tương ứng của cùng một vân tay không được căn chỉnh tương ứng với vị trí đối sánh tối ưu, giá trị độ tương quan hạ thấp trong khi hai vị trị không tương quan thể hiện một giá trị tương quan phẳng hơn trong lân cận của vị trí so khớp tối ưu. Hantano đã báo cáo một sự cải thiện độ chính xác tương ứng với phương pháp độ tương quan truyền thống Để ứng dụng trực tiếp biểu thức (3) đòi hỏi chi phí rất lớn. Ví dụ xem xét hai ảnh 400x400, sau đó sự tính toán độ tương quan ở đẳng thức (2) cho một giá trị đơn của ( ∆x,∆y, ) yêu cầu 16000 phép nhân và 16000 phép cộng. Nếu ∆x, ∆y cả hai được lấy mẫu trong miền [-200, 200] và được lấy mẫu từng 1 độ trong miền [-30o, 30o] chúng ta phải tính 401x401x61 độ tương quan, kết quả là gần 1569 tỉ phép nhân và phép cộng ( vậy là cần hơn 1h với máy tính 500MIPS ) Vấn đề nhiễu ảnh vân tay ( điểm 1 trong danh sách trên ) thường được đặt ra khi tính độ tương quan cục bộ thay vì toàn cục: một tập các miền cục bộ ( mà cỡ điển hình có thể là 24x24 hoặc 32x32 ) được trích chọn từ ảnh mẫu T và mỗi chúng được tương quan độc lập với toàn bộ ảnh đầu vào I ( Bazen 2000 ). Các miền cục bộ có thể được x bằng vài cách: Hợp của chúng hoàn toàn che phủ T và giao của chúng là rỗng hợp của chúng hoàn toàn che phủ T và chúng cục bộ đè chồng Chỉ các vùng “thú vị” được lựa chọn từ T. Ví dụ, Yahagi, Igaki.. chọn các cửa sổ nhỏ quanh các chi tiết, trong khi Bazen ( 2000 ) xem xét các miền được chọn phân biệt cục bộ trên ảnh đầu vào( phù hợp ở vị trí bên phải, nhưng không phù hợp với các vị trí khác ). Các hạng mục được đưa ra bởi Bazen để nhận dạng các vùng được chọn này trong ảnh mẫu: Các vùng quanh chi tiết, các vùng có các vân có độ cong cao, và các vùng thể hiện độ tương quan thấp ở các vị trí trong chính ảnh mẫu Khi độ tương quan được tính một cách cục bộ, ước lượng độ tương quan ở các vùng khác có thể được tính bằng cách kết hợp để nhận được độ đo tính tương tự ( ví dụ, số các ước lượng vượt qúa một ngưỡng cho trước được chia ra bởi tổng các ước lượng ). Bổ sung vào giá trị của độ tương quan, sự đồng bộ của các điểm nơi mà mỗi vùng có độ tương quan lớn nhất có thể được sử dụng để tăng cường đối sánh: trong thực tế, mối liên hệ không gian ( khoảng cách, góc… ) giữa các vùng trong mẫu và các vùng tương ứng trong ảnh đầu vào được giữ lại . Trong bất kì trường hợp nào, không có sử bảo đảm khi sử dụng bước hợp nhất là thực sự thuận lợi Để tính độ phức tạp của kĩ thuật dựa độ tương quan, các phương pháp thông minh có thể được sử dụng để đạt được sử thi hành hiệu quả: Định lý độ tương quan ( Go