Tóm tắt Luận án Nghiên cứu nâng cao các kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc

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.

pdf27 trang | Chia sẻ: honganh20 | Ngày: 09/03/2022 | Lượt xem: 356 | Lượt tải: 0download
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:

  • pdftom_tat_luan_an_nghien_cuu_nang_cao_cac_ky_thuat_doi_sanh_va.pdf
Tài liệu liên quan