Thuận toán đối sánh vân t y trên GPU uận án s ng c ng
trên iểu i n M Với nhận xét các vân t y có số ượng điểm chạc à
khác nh u nên quá trình triển kh i thuật toán đối sánh trên GPU thư ng
phức tạp với m c đích tối đ các uồng có thể tiến hành song song tác
giả đề xuất s d ng 32 điểm chạc cho m i vân t y trong quá trình đối
sánh Với thống kê trên SDL FV 2002 số ượng điểm chạc trung ình
của m i vân t y à 30 điểm chạc, số ượng đối sánh phù hợp à 6 có thể
coi à đối sánh giữa 2 ảnh cùng vân t y. Do s d ng tất cả các điểm chạc
cho quá trình tính toán mô tả M nên sẽ không ảnh hư ng đến mô tả
củ 32 điểm chạc được ch n ra.
27 trang |
Chia sẻ: honganh20 | Ngày: 09/03/2022 | Lượt xem: 356 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Tóm tắt Luận án Nghiên cứu nâng cao các kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
các điểm đơn nhất củ vân t y Tuy nhiên quá trình phát hiện
các điểm đơn nhất có thể g p khó khăn khi chất ượng ảnh vân t y thấp,
ho c m t số vân t y không có chứ các điểm đơn nhất.
1.5. Phương pháp đối sánh cục bộ
Phương pháp đối sánh c c b sẽ so sánh các vân t y trên các cấu
trúc c c b củ các điểm chạc. ác cấu trúc c c b được tạo ra d trên
quan hệ củ điểm chạc và các điểm lận cận. ác cấu trúc này có thu c
tính ất biến với các phép iến đ i toàn c c như ch chuyển và các phép
toán xo y Lợi điểm củ các đối sánh c c b à đối sánh đơn giản đ
phức tạp củ tính toán thấp, ch u l i về biến đ i méo củ vân t y hơn so
với các kỹ thuật đối sánh toàn c c. Tuy nhiên đối sánh các cấu trúc c c
b không đảm bảo rằng các đối sánh thỏ mãn mức c c b còn thỏa
mãn mức toàn c c o đó s u gi i đoạn đối sánh c c b thư ng s
d ng thêm gi i đoạn gia cố conso i tion st g để đảm bảo các đối
sánh c c b còn thỏ mãn mức toàn c c.
1.5.1. Một số cấu trúc cục bộ mô tả điểm chạc
ó khá nhiều các cấu trúc c c b đã được đề xuất b i các tác giả khác
nhau.
ác cấu trúc c c b có thểđược chi thành m t số phương pháp a
trên m t số tiêu chí phân loại như:
-Dựa trên láng giềng gần nhất: s d ng mô tả gồm K điểm chạc g n
với điểm chạc c n x m xét ể tránh nhi u và phân ố đều, hikk rur và
c ng s đề xuất cấu trúc c c b (K-p t được tạo b i K điểm chạc g n
7
nhất và các điểm chạc g n nhất được l a ch n s o cho phân ố đều trong
4 vùng xung qu nh điểm chạc.
- Dựa trên bán kính cố định: các áng giềng được đ nh nghĩ i tất
cả các điểm chạc có khoảng cách với điểm chạc x m xét nhỏ hơn R Mô
tả d trên án kính cố đ nh có đ ài khác nh u giữ các điểm chạc,
ph thu c vào mật đ các điểm chạc xung qu nh điều này có thể dẫn
đến đối sánh giữ các c c b b phức tạp hơn tuy nhiên có khả năng
ch u l i tốt hơn trong tình huống phát hiện sai ho c thiếu điểm chạc.
1.5.2. iểu di n cục bộ dựa trên m trụ M
Hiện n y th o các nghiên cứu khác nh u iểu di n cấu trúc c c b
d trên Minutia Cylinder-Code (MCC) à m t trong những mô tả d a
trên điểm chạc chính xác nhất.
Trong biểu di n MCC, m i điểm chạc được thể hiện thông qu
m t hình tr hình tr có tâm tại điểm chạc án kính cố đ nh R và chiều
cao 2π Không giống như các cách tiếp cận s d ng án kính cố đ nh
truyền thống, MCC d vào mã hó có đ ài cố đ nh điều này giúp
việc tính toán đ tương đồng c c b đơn giản, coi m i biểu di n à m t
vector.
1.6. Kết chương
N i ung hương 2 đã trình ày về các tìm hiểu đánh giá m t số
thuật toán đối sánh vân t y trên điểm chạc. N i ung chương tiếp
theo sẽ đề cập tới giải pháp cải tiến quá trình gi cố giúp nâng c o đ
chính xác củ các thuật toán đối sánh vân t y.
hương 2: Ả T ẾN A O N A Ố ỦA T UẬT TOÁN
Ố SÁN VÂN TAY DỰA TRÊN ỂM
Trong n i dung củ hương uận án đề xuất cải tiến ước gi cố
trong các thuật toán đối sánh vân t y trên điểm chạc. Th nghiệm
đánh giá cải tiến ước gi cố đề xuất với các thuật toán K-p t và thuật
toán m-Trip ts trên SDL vân t y FV 2002DB1 cho kết quả nâng c o
đ chính xác củ các thuật toán gốc và không ảnh hư ng đến tốc đ thi
hành củ các thuật toán Kết quả được công ố tại LHH i1 LHH i4
2.1.1. Một số phương pháp gia cố truyền thống
Bước đối sánh s d ng các cấu trúc c c b trong m c trước nhằm tìm
r các điểm chạc có đ tương đồng cao. Bước tiếp th o đối sánh c c b
à ước gia cố (consolidation) nhằm m c đích xác th c x m các cấu trúc
phù hợp c c b còn phù hợp mức toàn c c s u khi đã căn chỉnh.
8
Ví trong hình 2.1 điểm chạc phù hợp với điểm chạc
điểm chạc phù hợp với điểm chạc
s u khi so sánh các
cấu trúc c c b củ các điểm chạc Tuy nhiên s u khi căn chỉnh
tới
v trí ,
có thể không còn phù hợp với .
Hình 2 1: Bước gia cố liên quan đến biến đổi xoay và dịch chuyển
Quá trình gi cố iên qu n đến các phép iến đ i xo y và ch
chuyển. S u ước căn chỉnh, tất cả các cấu trúc c c b được xác đ nh lại
xem liệu có còn thỏ mãn các ràng u c sau:
- Khoảng cách giữ h i điểm chạc s u khi căn chỉnh không vượt quá
ngưỡng ts xác đ nh trước.
- S khác nh u giữ hướng củ h i điểm chạc s u khi căn chỉnh
không vượt quá ngưỡng tθ.
Hai tham số ts và tθ thể hiện c a s ch u l i. Ví , trong thuật toán
MTK ngưỡng khoảng cách ts= 12 và ngưỡng góc tθ= π/6 cho kết quả tốt
trong đối sánh vân t y
ó nhiều kỹ thuật gia cố khác nh u được đề xuất:
- hực hi n nhiều ph p biến h nh khác nhau (Multiple
transformations): m t số tác giả đã s d ng biến đ i d trên nhiều c p
ứng c viên cho quá trình căn chỉnh. Cuối cùng ch n ra biến đ i có số
ượng c p đối sánh mức toàn c c à ớn nhất.
- d ng ph p biến h nh phức hợp (Complex transformation): để
hạn chế tác đ ng của hiện tượng v n méo không tuyến tính củ vân t y
do l c ấn vân t y không đồng nhất, sau khi s d ng phép iến hình th o
điểm căn chỉnh các tác giả kết hợp tiếp với phép nắn chỉnh.
- d ng quá tr nh gia cố tăng cường (Incremental
consolidation): trong cách tiếp cận này các cấu trúc c c b sẽ được sắp
9
xếp nối tiếp nhau với các đỉnh à các điểm chạc phù hợp và tạo nên m t
đồ th gồm các điểm chạc có thể đối sánh với nhau.
2.1.2. Chi tiết quá trình gia cố đư c đề xuất b i luận án
N i dung m c tiếp theo sẽ đề cập tới các cải tiến đề xuất của luận án
cho 2 phương pháp gi cố gồm: gia cố d trên iến hình và gi cố d a
trên tăng cư ng.
ề xuất cho phương pháp gia cố dựa trên phép biến hình
Tác giả đề xuất nâng cấp quá trình này với tư ng chính: th o cách
truyền thống s u ước căn chỉnh trong phép gi cố trên phép iến
hình các c p điểm phù hợp c c b chỉ kiểm tra với c p điểm trung tâm
ùng àm căn chỉnh, m c ù các c p điểm này có thể phù hợp với c p
điểm căn chỉnh nhưng có thể không phù hợp với nhau.
Ví c p điểm chạc (3,4) giữ 2 vân t y à không phù với nh u ù
các c p điểm chạc 1 4 và c p điểm chạc (1,3) giữ 2 vân t y đều phù
hợp với nh u iểm chạc số 1 à trung tâm củ phép căn chỉnh Hình
2.2).
Do đó tác giả đề xuất s u khi căn chỉnh không chỉ kiểm tr phù hợp
với c p điểm trung tâm mà còn kiểm tr x m có phù hợp với các điểm đã
căn chỉnh khác Ví , với điểm chạc số 4 không chỉ kiểm tr phù hợp
với điểm chạc s d ng àm phép căn chỉnh số 1 mà còn kiểm tr x m có
phù hợp với các điểm chạc số 2 và số 3.
Hình 2 2: Đối sánh không chính xác khi s d ng gia cố truyền thống
Mô tả thuật toán gia cố đề xuất như sau:
u tiên, sắp xếp tất cả các căp điểm chạc phù hợp c c b còn
thỏ mãn s u quá trình căn chỉnh với điểm chạc àm tâm th o giá tr đ
tương đồng giảm d n s u đó sẽ loại bỏ các c p điểm không phù hợp với
các điểm trước đó
Chi tiết các ước có thể mô tả như s u:
1. M ={pi , qj} à tập các c p điểm chạc được tìm r s u quá trình
căn chỉnh với điểm tham chiếu.
10
2. Sắp xếp các c p {pi ,qj} trong M th o giá tr tương đồng giảm
d n.
3. Với m i c p {pi ,qj} trong M, nếu {pi , qj} không đối sánh với
c p nào đó trong M, sẽ loại bỏ {pi , qj} khỏi tập M.
4. Kết quả M sẽ chứ các c p điểm chạc phù hợp
ề xuất cải tiến cho phương pháp gia cố gia t ng
Trong phương pháp gi cố trên gi tăng hikk ur và c ng s
trong quá trình xây ng cây đối sánh khi thêm m t c p mới điểm chạc
(gv, hv) vào đồ th đối sánh c p được đư vào gv, hv) chỉ được kiểm tra
với c p điểm liền kề trước đó gu, hu).
C p điểm chạc (gv, hv m c ù phù hợp với c p điểm iền kề trong
đồ th nhưng có thể không phù hợp với các c p đã tìm r phí trước của
đồ th Do đó đề xuất của tác giả à khi m t c p điểm mới được thêm vào
cây c p điểm không chỉ kiểm tra với c p điểm liền kề mà còn kiểm tra
với các c p điểm đã được thêm vào đồ th đối sánh trước đó Hình 2.3 và
2.4 minh h a kết quả trước và s u khi áp ng ước gia cố cải tiến cho
thuật toán K-plet, cho thấy s u khi áp ng thêm ước kiểm tr s u quá
trình căn chỉnh, kết quả trong hình 3 5 đã oại bớt được m t số c p điểm
chạc không phù hợp với nhau.
Hình 2 3: Đối sánh khi s d ng gia cố truyền thống trên K-plet
Hình 2 4: Đối sánh chính xác hơn khi s d ng gia cố đề xuất cho K-plet
2.1.3. ánh giá phương pháp gia cố đề xuất
Th c nghiệm đánh giá trên m t số thuật toán đối sánh vân t y như
K-plet, m-Triplets s d ng SDL vân t y FVC 2002 DB1. Bảng 1 mô tả
11
chi tiết kết quả so sánh đánh giá trên SDL FV 2002DB1. Tập điểm
chạc được trích xuất s d ng b công c V riFing r được s d ng trong
toàn các đánh giá
Bảng 1: Kết quả s d ng phương pháp gia cố đề xuất
Thuật toán EER
FMR
100
FMR
1000
FMR
Zero
Time
(ms)
K-plet gốc 1.52% 1.61% 2.61% 4.42% 29
K-plet cải
tiến
1.28% 1.46% 2.14% 2.96% 29
m-Triplets
gốc
1.71% 1.79% 2.68% 3.07% 3.95
m-Triplets
cải tiến
1.52% 1.71% 2.42% 2.92% 3.99
ác thuật toán cải tiến quá trình gi cố đề xuất i tác giả cho kết
quả chính xác hơn thuật toán gốc Ví đã giảm sai số EER của K-plet
từ 1.52% xuống 1 28% và s i số EER của thuật toán m-Triplet từ 1.71%
còn 1 52% ồng th i các cải tiến không ảnh hư ng tới tốc đ x củ
các thuật toán gốc.
2.2. Kết chương
Tác giả c ng đề xuất thuật toán cải tiến quá trình gi cố nhằm
nâng c o đ chính xác củ các thuật toán đối sánh vân t y trên điểm
chạc và không ảnh hư ng đến tốc đ th c thi củ các thuật toán gốc ề
xuất d trên tư ng khi x m xét các c p điểm chạc trong quá trình căn
chỉnh không chỉ kiểm tr đ phù hợp với c p điểm được ch n àm điểm
tâm mà còn c n kiểm tra với các c p điểm đã được căn chỉnh trước đó.
Trong phương pháp gi cố trên xây ng cây đối sánh phương pháp
truyền thống chỉ kiểm tr c p điểm thêm vào cây với c p điểm iền kề
trên cây ề xuất tương t à kiểm tr c p điểm thêm vào với toàn các
c p điểm thêm vào đồ th trước đó.
ánh giá các đề xuất cho quá trình gi cố trên các thuật toán đối
sánh vân t y như: m-Trip ts và K-p t cho kết quả chính xác hơn và
không ảnh hư ng đến tốc đ thi hành củ thuật toán gốc
hương 3: P ÁT N ỂM N N ẤT TỪ ẢN VÂN TAY
ác thuật toán đối sánh vân t y c ng như các phương pháp phân ớp
vân t y thư ng s d ng thông tin về các điểm đơn nhất để tăng tốc đ
th c thi Tác giả đã th nghiệm áp ng mạng n uron tích chập NN
vào nhận ạng các điểm đ c trưng đơn nhất kết quả đánh giá trên tập
12
SDL mẫu FV 2002 cho kết quả nhận ạng chính xác 96% với điểm
đ c trưng cor và 90% với điểm đ c trưng t . Kết quả nghiên cứu
được công ố tại LHH i5
3.1. iểm đơn nhất của ảnh vân tay
3.1.1. Ứng dụng
iểm đơn nhất củ vân t y thư ng chi àm 2 oại điểm: điểm cor
à điểm đó có s iến thiên đ t ng t về hướng củ các đư ng vân
điểm t m giác t à điểm h i t củ các vùng vân có hướng khác
nhau. ác vân t y thư ng được phân vào m t trong 6 lớp vân t y như:
Vân hình cung t nt arch), Vân hình cung rch ,Vân hình qu i
(Loop), Vân hình xoáy whorl). Việc phân ớp này giúp giảm bớt không
gian mẫu vân t y c n so khớp. Trong các thu c tính được s ng trong
ài toàn phân ớp vân t y thu c tính điểm đơn nhất thư ng xuyên được
s ng trong các thuật toán phân ớp
ác điểm đơn nhất củ ảnh vân t y còn được s ng àm căn cứ để
tăng tốc đ th c thi củ các thuật toán đối sánh vân t y trên điểm
chạc.
3.1.2. Phát hiện điểm đơn nhất của vân tay
ác phương pháp truyền thống thư ng tìm r các điểm đ c trưng của
các ớp vân t y thư ng d trên m r ng của thuật toán Pointc r , kết
hợp với các l c phức hợp để tìm r các điểm đơn nhất.
Trong phương pháp Pointc r m i điểm của ảnh hướng
(orientation map), chỉ số Poincare được tính toán à t ng s khác
nhau về hướng củ điểm và các điểm ân cận.
Tuy nhiên để nâng c o đ tin cậy của ảnh ori nt tion à ài toán khó
khi ảnh vân t y nhiều nhi u ho c chất ượng ảnh thấp. Việc xác đ nh sai
hướng có thể dẫn đến phát hiện các điểm đơn nhất s i ác kỹ thuật hậu
x s d ng h uristic o đó thư ng được áp ng Ví :
S u quá trình nâng c o chất ượng ảnh hikk rur và c ng s s d ng
b l c phức tạp d trên đề xuất của Ni sson và c ng s . Kết quả đã
nâng c o hiệu quả quá trình phát hiện điểm đơn nhất. Zhou và c ng s
s d ng các đ c trưng “Differences of the ORIentation values along a
Circle” DORI để xác th c điểm đơn nhất.
3.2. ề xuất phát hiện điểm đơn nhất sử dụng mạng onvolution
Neural Network
3.2.1. Học máy sâu (Deep Learning)
Trong những năm g n đây mạng nơ ron sâu p n ur n tworks
đã đạt những kết quả c o trong nhiều ĩnh v c h c máy như các tác v
iên qu n đến th giác máy nhận ạng gi ng nói ch máy u hướng
13
qu n tâm đến D p L rning được qu n tâm ớn trong th i gi n g n đây
D p L rning à quá trình t h c đ mức các đ c trưng từ tập ữ iệu
c n mô hình hó Khác với mô hình h c máy truyền thống mô hình h c
máy sâu sẽ h c thành nhiều mức các đ c trưng mức c o được kết hợp từ
các đ c trưng phí ưới Kiến trúc mạng NN đã được áp ng thành
công và đạt kết quả cao trong nhiều ài toán trong ĩnh v c th giác máy
3.2.2. Mạng onvolution Neural Network
ác mạng neuron truyền thống (MLP) s d ng các kết nối đ y đủ
(full connectivity) giữ các nút điều này ẫn đến không thích hợp với
các ảnh có đ phân giải c o các kiến trúc MLP không xét đến các trúc
về không gi n của dữ liệu x m xét các điểm ảnh g n và x với điểm ảnh
c n đánh giá th o cách tương t .
CNN giải quyết hạn chế của kiến trúc MLP ằng cách kh i thác các
mối tương qu n đ phương về không gi n.
3.2.3. Kỹ thuật phát hiện điểm đơn nhất vân tay sử dụng mạng CNN
ể huấn luyện m t mô hình CNN, tác giả tiến hành 2 công việc
chính u tiên à ước ch n mô hình kiến trúc mạng ước thứ 2 à
chuẩn b dữ liệu để tiến hành huấn luyện mạng.
ối với mô hình kiến trúc mạng, tác giả s d ng kiến trúc mạng CNN
cung cấp b i Sermanet và c ng s . Kiến trúc gồm 2 t ng đ c trưng kết
hợp s d ng đ c trưng đ t ng. ác đ c trưng phát hiện từ t ng 1 và t ng
2 đều được đư vào t ng phân oại cuối cùng củ mô hình mạng. Kiến
trúc mạng CNN s d ng đ t ng đã đạt kết quả cao nhất với đ chính xác
94.85% trên SDL số nhà SVHN.
ể chuẩn b dữ liệu huấn luyện cho mô hình tác giả s d ng CSDL
vân t y FV 2002 DB t s
ể tạo các ảnh đơn nhất s d ng trong huấn luyện, c n được đánh
dấu v trí các điểm đơn nhất trong tập ảnh huấn luyện. Tập ảnh huấn
luyện bao gồm 2738 điểm core ảnh và 731 điểm delta.
ể nâng c o chất ượng ảnh tác giả s d ng b công c VeriFinger
SDK để nâng c o chất ượng của ảnh vân t y ác hình vuông cùng kích
thước 32x32 pix s xung qu nh điểm cor và t được thủ công tách r
từ các ảnh vân t y
ể tăng kích thước tập dữ liệu huấn luyện tác giả tiến hành xo y ảnh
theo chiều kim đồng hồ và ngược chiều kim đồng hồ.
Hình 3 1 thể hiện m t số phát hiện điểm đơn nhất chính xác từ ảnh
vân t y
14
Hình 3 1: Minh họa một số phát hi n điểm đơn nhất chính xác.
Bảng 2 thể hiện kết quả củ quá trình kiểm tr đánh giá mô hình
mạng NN đã được huấn luyện s d ng b dữ liệu đánh giá FV 2002
Db-b.
Bảng 2: Kết quả đánh giá trên tập dữ li u đánh giá FVC 2002 Db-b
FVC 2002 DB-b Phương pháp của luận án
Cores
Tỷ lệ phát hiện đúng 95.94%
Tỷ lệ phát hiện sai 7.5%
Deltas
Tỷ lệ phát hiện đúng 90.36%
Tỷ lệ phát hiện sai 6.0%
ác đánh giá được tiến hành trên tập dữ liệu kiểm tra gồm các tập dữ
liệu với chất ượng c o và không c o từ tập Db1, Db2, Db3, Db4. M t số
kết quả tốt hơn áo cáo kết quả tốt nhất của Zhou n hikk rur trên
CSDL FVC 2002 DB2. iều này chỉ ra rằng mạng CNN àm việc tốt với
cả ảnh chất ượng c o và ảnh chất ượng thấp.
Phương pháp đề xuất của luận án chỉ d trên tập dữ liệu gán nhãn
mà không c n các tri thức về đối tượng, với tập dữ liệu lớn hơn mô hình
đào tạo sẽ cho kết quả tốt hơn.
Kết quả đánh giá cho thấy mô hình mạng NN áp ng vào ài toán
phát hiện điểm đơn nhất cho kết quả tốt, s d ng mô hình mạng NN đã
giảm thiểu các ước c n tiến hành trong các phương pháp truyền thống
như: tìm r ản đồ hướng đư ng vân xây ng các l c phát hiện đ c
trưng. M t số hướng của luận án để nâng c o đ chính xác củ mô hình
NN trong phát hiện điểm đơn nhất như: s d ng thêm ữ liệu đào tạo
ho c s d ng các kiến trúc mạng CNN với nhiều t ng hơn
15
3.3. Kết chương
N i ung chương đề cập m t số kỹ thuật c như phân ớp vân t y
đánh chỉ m c vân t y ác kỹ thuật c trước giúp oại ỏ nh nh các vân
t y không à ứng viên trước khi tiến hành ước đối sánh chi tiết L c
nh nh giúp tăng tốc đ quá trình đ nh nh vân t y trên các SDL vân
t y ớn
Luận án đã đề xuất phương pháp xác đ nh các điểm đơn nhất củ vân
t y điểm cor và điểm t s ng mạng NN iểm đơn nhất có v i
trò qu n tr ng trong ài toán phân ớp vân t y Kết quả th nghiệm trên
CSDL FVC 2002 DB, cho kết quả chính xác và 96% và 90% trong nhận
dạng điểm cor và điểm delta. Tỷ lệ nhận dạng s i 7 5% và 6% Mạng
NN có khả năng t h c đ t ng các đ c trưng từ đối tượng nhận dạng,
giúp giảm thiểu các tác v c n th c hiện như trong phương pháp h c
máy truyền thống. ác kết quả s d ng mạng CNN có thể so sánh với
các kết quả cao nhất trong các công ố có s d ng các kiến thức về đối
tượng trong nhận dạng.
hương 4: Ả T ẾN U N N N DAN VÂN TAY QUY
M LỚN SỬ D N PU
Trong các cách tiếp cận trên giải pháp tận d ng tốc đ x đồ
h GPU được qu n tâm s ng hiện n y nh hiệu năng tính toán c o
và chi phí hợp Tác giả tập trung chính vào hướng nghiên cứu s ng
GPU trong đối sánh vân t y Kết quả nghiên cứu được công ố tại
[LHHai2], [LHHai3], [LHHai6].
4.1. Một số kết quả đối sánh trên môi trường tính toán hiệu n ng cao
Bên cạnh s d ng cách tiếp cận l c trước để giảm bớt số ượng vân
tay c n đối sánh chi tiết quá trình đối sánh chi tiết còn tận d ng các môi
trư ng tính toán hiệu năng c o để tăng tốc quá trình đối sánh
G n đây đã có m t số áo cáo s ng GPU trong thuật toán đối sánh
vân t y Gutierrez (2014), Capelli (2015) H u hết các tiếp cận s ng
GPU như m t ước c s u đó m t thuật toán chính xác hơn trên PU
được s ng để tính toán cho các ứng viên vân t y còn ại
Từ các đánh giá cho thấy, các cách tiếp cận đối sánh vân t y s d ng
b x đồ h GPU à xu hướng được qu n tâm hiện nay nh hiệu năng
c o và giá thành ph n cứng hợp so với cách tiếp cận s d ng c m máy
tính.
4.2. Kiến trúc bộ xử lý đồ họa GPU
omput Unifi D vic rchit ctur UD à m t trong
những nền tảng ph iến nhất cho GPU
16
Hình 4 1: Chi tiết phân bố các core trong các multiprocessor
Kiến trúc vật củ UD o gồm m t tập các x
Streaming Multiprocessors (SM), m i x o gồm 32 nhân SIMD
Sing Instruction Mu ti D t Hình 4.1).
ể tận ng đồng th i các nhân các chỉ ệnh c n giống nh u trên
các nhân GPU thư ng được tận ng trong các ài toán tính toán song
song ví v tính toán trên m trận đó các chỉ ệnh thư ng giống nh u
Trong mô hình tính toán UD m i tiến trình được th c hiện
song song trên m t tập các uồng thr s các uồng được t chức thành
các khối ác uồng thu c cùng m t khối được th c hiện trên cùng x
SM và chi s tài nguyên nhớ củ x đó.
4.3. ề xuất đối sánh vân tay trên PU
4.3.1. Phương pháp đề xuất
Thuận toán đối sánh vân t y trên GPU uận án s ng c ng
trên iểu i n M Với nhận xét các vân t y có số ượng điểm chạc à
khác nh u nên quá trình triển kh i thuật toán đối sánh trên GPU thư ng
phức tạp với m c đích tối đ các uồng có thể tiến hành song song tác
giả đề xuất s d ng 32 điểm chạc cho m i vân t y trong quá trình đối
sánh Với thống kê trên SDL FV 2002 số ượng điểm chạc trung ình
của m i vân t y à 30 điểm chạc, số ượng đối sánh phù hợp à 6 có thể
coi à đối sánh giữa 2 ảnh cùng vân t y. Do s d ng tất cả các điểm chạc
cho quá trình tính toán mô tả M nên sẽ không ảnh hư ng đến mô tả
củ 32 điểm chạc được ch n ra.
Với việc ch n 32 điểm chạc cho m i vân t y giúp quá trình
triển kh i song song hó ài toán đ nh nh vân t y tr nên phù hợp với
kiến trúc GPU mà đó h trợ 32 ệnh SIMD song song
17
Hình 4 2: Mỗi khối gồm 32 luồng, mỗi luồng sẽ tính toán trên
1 cột của ma trận tương đồng
hi tiết hoạt đ ng củ thuật toán đ nh nh vân t y trên SDL
gồm N vân t y được đề xuất i uận án như s u: Tất cả các m trận
tương đồng sẽ có cùng kích thước 32x32, tác giả s d ng 1 khối của
GPU cho quá trình đối sánh giữ vân t y trong CSDL với vân t y c n
truy vấn như minh h trong hình 4.2. M i khối có số ượng luồng
tính toán à 32 M i luồng của khối sẽ tính toán 1 c t trong ma trận
tương đồng và tìm r giá tr tương đồng lớn nhất trong c t đó như minh
h trong hình
hi tiết giả mã mô tả quá trình tính toán: Với đ u vào à SDL
gồm N vân t y { }và vân t y c n truy vấn thuật toán sẽ
tìm r tập giá tr tương đồng { }
{ }
{ }
[ ]
[ ]
18
[ ]
∑ [ ]
}
Hình 4 3: Chi tiết thuật toán đối sánh đề xuất trên GPU.
Kh i đ u chương trình tất cả các điểm chạc cùng với mô tả hình tr
củ các điểm chạc củ tất cả các vân t y trong SDL được tải vào
nhớ toàn c c củ GPU
Khối GPU với chỉ số được s ng để tính toán đ tương
đồng giữ vân t y củ SDL với vân t y truy vấn .
M i uồng với chỉ số củ khối được s ng để tính toán giá tr
ớn nhất trong c t củ m trận tương đồng
tương đồng ( ) giữ các mô tả hình tr tại òng 7 được
tính toán trên khoảng cách giữ các v ctor
Hàm 𝑦 𝑟 tại òng 11 sẽ đồng hó tất cả các uồng
trong khối S u khi đồng tất cả các giá tr ớn nhất trong m trận
tương đồng sẽ sẵn sàng cho quá trình gi cố.
tương đồng giữ 2 vân t y được tính toán trên giá tr trung
ình củ 32 đối sánh có giá tr ớn nhất từ 32 c t củ m trận tương
đồng và sẽ được tính i uồng đ u tiên trong khối ây à phương
pháp ùng để tìm nh nh các ứng viên cho quá trình đối sánh chi tiết
s u này
19
Thuật toán đề xuất phù hợp với kiến trúc tính toán củ GPU trong đó
m i khối chứ cùng số ượngluồng th c thi à 32 được s ng để đối
sánh vân t y truy vấn và m t vân t y trong SDL Bên cạnh phù hợp với
kiến trúc x song song củ GPU c ng giúp thuật toán có thể d àng
cài đ t.
4.3.2. Kết quả thực nghiệm
Nhằm m c đích đánh giá kết quả của phương pháp đề xuất. Tác
giả s d ng SDL vân t y FVC 2002 DB1 cho các th c nghiệm tiến
hành ối với quá trình trích ch n thu c tính và xây ng các đ c trưng
MCC, tác giả s d ng công c cung cấp b i Pér z và c ng s . ác đ c
trưng được ưu trên đĩ để tiến hành các th c nghiệm.
ể đánh giá đ chính xác của thuật toán đề xuất s d ng 32 điểm
đ c trưng kết quả của thuật toán được so sánh với đ chính xác của thuật
toán gốc ung toàn các đ c trưng Bảng 3 thể hiện kết quả đánh giá
Bảng 3: Đánh giá độ chính xác khi thay đổi MCC trên C DL FVC 2002
Db1
Thuật toán EER FMR 100 FMR 1000 FMR Zero
MCC gốc 1.64% 2.10% 3.89% 4.85%
MCC s d ng
32 điểm chạc
1.76% 2.29% 4.32% 5.46%
Thuật toán s d ng 32 điểm chạc đạt kết quả EER à 1.76% so
với ERR 1.64% của thuật toán gốc. S th y đ i nhỏ này có thể được
chấp nhận trong các ứng d ng th c.
ể đánh giá tốc đ thi hành của thuật toán đề xuất, tác giả th c
hiện các th c nghiệm trên c r đồ h a NVIDIA GeForce GTX 680 với
1536 CUDA core, kiến trúc K p r và nhớ 2GB.
CSDL FVC 2002 DB1 được nhân ên các kích thước khác nh u từ
10000 đến 200 000 vân t y để nghiên cứu thuật toán th c thi trên GPU
với SDL có kích thước khác nh u 10 vân t y đ u vào được l a ch n
ngẫu nhiên để xác th c đ nh danh.
Bảng 4 thể hiện kết quả th c nghiệm với các SDL có kích thước
khác nh u
Bảng 4: Thời gian thi hành của 10 truy vấn với kích thước C DL khác
nhau
Kích thước DB Th i gi n (ms) Số ượng đối sánh trong 1
giây (KMPS)
10000 14 7142
20
50000 61 8196
100000 119 8403
150000 850 8474
200000 1105 8510
Tốc đ thi hành của thuật toán đề xuất khá n đ nh với các SDL
có kích thước lớn, với khoảng 8.5 triệu đối sánh trong 1 giây Kết quả
trên củ luận án c o hơn kết quả được áo cáo trước đó có s d ng giai
đoạn gia cố trên GPU đạt 55 7000 đối sánh trên giây các th nghiệm
được tiến hành trên cùng x đồ h GT 680 và phù hợp với kết
quả cao nhất được áo cáo i p i và c ng s đạt 8.7 triệu đối sánh
trên giây tác giả s d ng c r đồ h a Tesla C2075 GPU. Kết quả trên
của luận án đã được công ố trong ài áo LHHai2].
4.3.3. ia cố toàn cục trên PU
H u hết các tiếp cận s ng GPU như m t ước c s u đó m t
thuật toán chính xác hơn trên PU được s ng để tính toán cho các
ứng viên vân t y còn ại
Luận án tiến hành th nghiệm tiến hành ước gi cố hoàn chỉnh
tr c tiếp trên GPU bỏ qua không c n s ng PU cho quá trình đối
sánh s u này
ng tương t thuật toán đối sánh vân t y đã trình ày thuật toán
trong ph n trước hình 84 sẽ được xung thêm quá trình gi cố được
b M c đích củ quá trình gi cố à tìm r trong 32 c p điểm đối sánh
c c có giá tr ớn nhất trên các c t đã tìm r có o nhiêu c p còn
thỏ mãn mức toàn c c
Thuật toán c n ưu thêm v tr củ các c p điểm chạc có giá tr ớn
nhất òng 8 trong m i c t để s ng cho quá trình gi cố M i uồng
trong khối sẽ tr c tiếp so sánh c p điểm tương đồng ớn nhất đã tìm r
trong c t với các c p điểm tương đồng tại các c t khác tìm r i các
uồng khác trong khối hi tiết thuật toánđược trình ày trong hình ưới
đây. Thuật toán sẽ thêm ước gi cố vào thuật toán đã được trình ày
quá trình gi cố được xung từ òng 12 trong đoạn giả mã s u củ
thuật toán:
{ }
21
{ }
𝑟 𝑟 𝑟 𝑟
[ ]
[ ]
//Local structure matching stage
[ ]
[ ]
9. End If
//Consolidation stage
(
( [ ] [ ])
𝑟
Hình 4 4: Đối sánh s d ng bước gia cố trên GPU
Hàm giúp tránh n
Các file đính kèm theo tài liệu này:
- tom_tat_luan_an_nghien_cuu_nang_cao_cac_ky_thuat_doi_sanh_va.pdf