I. Công nghệ nhận diện mống mắt

1. Tổng quan công nghệ nhận diện mống mắt

Mống mắt (iris) là phần hình xuyến của mắt (Hình 1), mỗi mống mắt có màu khác nhau và có cấu trúc với các đường vân phức tạp, và duy nhất đối với mỗi người và không thay đổi nhiều theo thời gian được sử dụng như một đối tượng cho ngành sinh trắc học.

Hiện nay sinh trắc học và nhận dạng mẫu được nghiên cứu và ứng dụng rất sâu và rộng. Nhận dạng mống mắt là một phương pháp quan trọng trong phát hiện sinh trắc học để xác thực một người. Công nghệ nhận diện mống mắt hoạt động dựa trên đặt điểm duy nhất, phương pháp này có độ chính xác vượt qua các phương pháp nhận dạng vân tay, vì Mống mắt chứa rất nhiều thông tin về năng lực và sự khác biệt của mỗi người. Hiện nay, công nghệ này có rất nhiều ứng dụng tại xác thực tại sân bay, đăng nhập thông tin trong các hệ thống website, tài khoản tài chính, và các xác nhận thanh toán. Nhận dạng mống mắt thực hiện hai nhiệm vụ đó là phân đoạn mống mắt và nhận dạng mống mắt. 

Hình 1: Hình ảnh của mống mắt con người.

Hình 2: Ma trận đặt trưng của mống mắt.

2. Giới thiệu: 

Công nghệ sinh trắc học đóng vai trò quan trọng trong việc bảo mật và bảo mật thông tin người dùng. Các đặc điểm sinh lý con người khác nhau như khuôn mặt, dấu vân tay, mống mắt v.v… thì sinh trắc học con người luôn có sự khác biệt. Nhận dạng mống mắt là một trong những phương pháp nhận dạng sinh học quan trọng nhất trong nhận dạng con người. Phân đoạn mống mắt được sử dụng biến đổi Hough thích ứng có trọng số và nhận dạng mống mắt được sử dụng mạng thần kinh tích chập [9, 10].

Có nhiều thuật toán khác nhau được sử dụng để phân đoạn mống mắt từ mắt của một người, chẳng hạn như thuật toán Daugman, thuật toán biến đổi Hough tròn của Wildes và xấp xỉ các biến đổi Hough tròn bằng cách sử dụng các bộ lọc đường viền của Thornton. Nhưng nhận dạng mống mắt dễ bị chất lượng hình ảnh kém [1, 2]. 

Phân đoạn mống mắt bằng cách sử dụng các biến đổi Hough và Ellipsopolar thích ứng có trọng số. Nó tốt hơn các kỹ thuật truyền thống có những ưu điểm chính như cấu hình được trình bày bằng cách sử dụng biến đổi Hough thích ứng có trọng số để phát hiện trung tâm gần đúng và các biến đổi Polar và Ellipsopolar để phát hiện ranh giới [6, 7], kỹ thuật gia tăng này nhanh hơn và có khả năng mở rộng hơn đối với độ phân giải cao [6, 7].

Nhiều nghiên cứu triển khai biến đổi Hough và Ellipsopolar thích ứng có trọng số, chuẩn hóa mống mắt từ phân đoạn mống mắt bằng cách sử dụng biến đổi Hough và Ellipsopolar thích ứng có trọng số. Phương pháp này đọc hình ảnh đặc trưng của hình ảnh ma trận dạng mống mắt và giảm kích thước của chúng thành một vectơ [10]. Sau đó, chúng tôi sử dụng mạng neuron thần kinh tích chập để phân loại và nhận dạng hình ảnh mống mắt đặc trưng dạng mống mắt [12, 13].

II. Các thuật toán phân đoạn mống mắt. 

Gần đây, hầu hết các nghiên cứu về phân đoạn mống mắt đều sử dụng thuật toán Hough. Có các thuật toán phân đoạn biến đổi Hough, biến đổi Hough điều chỉnh độ tương phản, thuật toán phân đoạn dựa trên viterbi và Biến đổi Hough và ellipsopolar thích ứng có trọng số [6, 7, 8].

A. Các thuật toán phân đoạn biến đổi Hough.

Biến đổi Hough là một công cụ phân tích hình ảnh tiêu chuẩn để tìm các đường cong có thể được xác định ở dạng tham số như đường thẳng, đa thức và đường tròn. Việc nhận dạng một mẫu toàn cầu đạt được bằng cách sử dụng các mẫu cục bộ [1]. Việc nhận dạng một đường tròn có thể đạt được bằng cách coi các cạnh mạnh trong ảnh là các mẫu cục bộ và tìm kiếm giá trị lớn nhất của biến đổi Hough tròn [3]. Bản đồ cạnh sau đó được sử dụng trong quy trình bỏ phiếu để tối đa hóa biến đổi Hough đã xác định cho đường bao mong muốn. Biên và đồng tử được mô hình hóa thành các vòng tròn [6].

B. Biến đổi Hough được điều chỉnh theo độ tương phản

Biến đổi Hough được điều chỉnh theo độ tương phản là thuật toán phân đoạn mống mắt đang triển khai phương pháp Biến đổi Hough bằng cách sử dụng điều chỉnh độ tương phản (dành riêng cho cơ sở dữ liệu) để tăng cường ranh giới đồng tử và viền, phát hiện cạnh Canny để phát hiện các đường cong ranh giới và các kỹ thuật nâng cao để loại bỏ cạnh không mong muốn [1, 2].

C. Thuật toán phân đoạn dựa trên Viterbi

Bước đầu tiên của phương pháp phân khúc bao gồm khoanh vùng sơ bộ vùng đồng tử. Bước tiếp theo, lấp đầy các lỗ trắng sẽ loại bỏ phản xạ gương do đèn chiếu sáng [1, 3]. Sau đó, một lỗ hình thái sẽ loại bỏ các vùng tối nhỏ hơn phần tử cấu trúc hình đĩa. Vùng đồng tử gần như là vùng tối lớn nhất, được bao quanh bởi mống mắt, có màu sẫm hơn củng mạc và da. Do đó, tổng giá trị cường độ trong các cửa sổ lớn trong ảnh được tính toán và giá trị tối thiểu tương ứng với diện tích đồng tử. Đồng tử được định vị gần đúng, việc tái tạo hình thái học cho phép ước tính trung tâm đầu tiên, cần thiết để khai thác thuật toán Viterbi [6, 7]. Bước thứ hai bao gồm trích xuất chính xác đường viền đồng tử và vòng tròn đồng tử ước tính tốt để chuẩn hóa. Dựa vào trung tâm đồng tử, thuật toán Viterbi được sử dụng để trích xuất đường viền đồng tử chính xác. Đường viền chính xác này sẽ được sử dụng để xây dựng mặt nạ mống mắt cho mục đích nhận dạng.

D. Biến đổi Hough và Ellipso cực thích ứng có trọng số

Kỹ thuật phân đoạn được sử dụng các phép biến đổi Hough và Ellipsopolar thích ứng có trọng số để đạt được độ bền cao hơn. Thuật toán này được đề xuất bao gồm hai giai đoạn [1, 2]. Đầu tiên, thuật toán này tìm kiếm một điểm trung tâm C trong hình ảnh đầu vào I. Bên cạnh một điểm trung tâm hoàn chỉnh bên trong ranh giới mống mắt và đồng tử [10, 11]. Hoạt động quan trọng nhất xác định C được sử dụng biến đổi Hough thích ứng có trọng số. Nó tích lũy các đường theo hướng của gradient tại các điểm ứng cử viên biên, mang lại trọng số cao hơn cho các vị trí ở trung tâm của bộ tích lũy [14]. Mặc dù C không phải là duy nhất, nhưng lý tưởng nhất là nó sẽ nằm gần tâm của các đường tròn xấp xỉ L và P. 

Nhiệm vụ thứ hai của thuật toán bao gồm trích xuất P và L từ biểu diễn cực sử dụng C làm gốc [6]. Trong biểu diễn này, tất cả các cạnh biên có hướng xấp xỉ giống nhau, giúp giảm chi phí phát hiện cạnh. Giống như trong giai đoạn trước, không có thứ tự nghiêm ngặt nào được đưa ra để phát hiện ranh giới hệ viền và đồng tử. Thay vào đó, một ranh giới ban đầu B được phát hiện từ phép biến đổi cực xác định đường nằm ngang năng lượng cực đại, cực đại hóa độ dốc cực dọc cho mỗi cột, làm mịn đường cong kết quả, ánh xạ lại các ứng cử viên sang tọa độ cartesian và khớp các điểm cạnh với một hình elip định hướng [ 9]. Do ranh giới được tìm thấy là ranh giới hệ viền hoặc đồng tử, nên thuật toán tiếp tục tìm ranh giới thứ hai dựa trên hai giả thuyết và sử dụng phép biến đổi Ellipsopolar [7]. 

III. Sử dụng mạng Neural Convolutional để nhận biết mẫu mống mắt

Trong tiền xử lý mống mắt, mống mắt được phát hiện và trích xuất từ hình ảnh mắt và được chuẩn hóa [13, 14]. Hình ảnh chuẩn hóa sau khi tăng cường được biểu thị bằng ma trận mô tả các giá trị thang độ xám của hình ảnh mống mắt. Ma trận này trở thành tập dữ liệu huấn luyện cho mạng thần kinh. Hệ thống nhận dạng mống mắt bao gồm hai chế độ hoạt động: chế độ đào tạo và chế độ thử nghiệm. Ở giai đoạn đầu tiên, việc đào tạo hệ thống nhận dạng được thực hiện bằng cách sử dụng các giá trị thang độ xám của hình ảnh mống mắt. Mạng lưới thần kinh được đào tạo với tất cả các hình ảnh mống mắt. Sau khi huấn luyện, ở chế độ thử nghiệm, mạng nơ-ron thực hiện phân loại và nhận dạng các mẫu thuộc về mống mắt của một người nào đó [12]. Mạng thần kinh tích chập (CNN) được sử dụng để nhận dạng các mẫu mống mắt. Theo cách tiếp cận này, hình ảnh mống mắt được chuẩn hóa và nâng cao được biểu diễn bằng một mảng hai chiều gọi là hình ảnh ma trận đặc trưng. Hình ảnh ma trận đặc trưng này chứa các giá trị thang độ xám của kết cấu của mẫu mống mắt. Một thuật toán học dựa trên độ dốc với tốc độ học thích ứng được thông qua. Điều này cho phép đảm bảo sự hội tụ và tăng tốc quá trình học tập [15]. Tín hiệu đầu ra lần lượt là vector đặc trưng của lớp ẩn thứ nhất và thứ hai. Sau khi kích hoạt mạng thần kinh, quá trình huấn luyện các tham số bắt đầu. Mạng được đào tạo sau đó được sử dụng để nhận dạng mống mắt (Hình 3). 

Hình 3: Mô hình nhận phân đoạn mống mắt dùng mạng neuron tích chập

IV. Tài liệu tham khảo

1. Sanchez-Gonzalez, Yasiel, Yasser Chacon-Cabrera, and Eduardo Garea-Llano. "A comparison of fused segmentation algorithms for iris verification."Iberoamerican Congress on Pattern Recognition. Springer International Publishing, 2014.

2. García-Vázquez, Mireya S., et al. "A comparative study of robust segmentation algorithms for iris verification system of high reliability."Mexican Conference on Pattern Recognition. Springer, Cham, 2015.

3. Llano, Eduardo Garea, et al. "Cross-sensor iris verification applying robust fused segmentation algorithms."Biometrics (ICB), 2015 International Conference on. IEEE, 2015.

4. Chacon-Cabrera, Yasser, et al. "Iris Texture Description Using Ordinal Co-occurrence Matrix Features."Iberoamerican Congress on Pattern Recognition. Springer, Cham, 2015.

5. Chacon-Cabrera, Yasser, et al. "Iris Texture Description Using Ordinal Co-occurrence Matrix Features."Iberoamerican Congress on Pattern Recognition. Springer, Cham, 2015.

6. Sutra, Guillaume, Sonia Garcia-Salicetti, and Bernadette Dorizzi. "The viterbi algorithm at different resolutions for enhanced iris segmentation."Biometrics (ICB), 2012 5th IAPR International Conference on. IEEE, 2012.

7. Uhl, Andreas, and Peter Wild. "Weighted adaptive hough and ellipsopolar transforms for real-time iris segmentation."Biometrics (ICB), 2012 5th IAPR International Conference on. IEEE, 2012.

8. Tan, Chun-Wei, and Ajay Kumar. "Towards online iris and periocular recognition under relaxed imaging constraints." IEEE Transactions on Image Processing 22.10 (2013): 3751-3765.

9. Tan, Chun-Wei, and Ajay Kumar. "Accurate iris recognition at a distance using stabilized iris encoding and zernike moments phase features." IEEE Transactions on Image Processing 23.9 (2014): 3962-3974.

10. Tan, Chun-Wei, and Ajay Kumar. "Unified framework for automated iris segmentation using distantly acquired face images." IEEE Transactions on Image Processing 21.9 (2012): 4068-4079.

11. Rajbhoj, S. M., and P. B. Mane. "Haar wavelet approach of iris texture extraction for personal recognition." International Journal of Innovative Technology and Exploring Engineering3.2 (2013): 22-25.

12. Araghi, Leila Fallah, Hamed Shahhosseini, and Farbod Setoudeh. "IRIS recognition using neural network." Proceedings of the international multiconference of engineers and computer scientists. Vol. 1. 2010.

13. Liam, Lye Wil, et al. "Iris recognition using self-organizing neural network."Research and Development, 2002. SCOReD 2002. Student Conference on. IEEE, 2002.

14. Abiyev, Rahib H., and Koray Altunkaya. "Personal iris recognition using neural network." International Journal of Security and its Applications 2.2 (2008): 41-50.

15. Nogueira, Rodrigo Frassetto, Roberto de Alencar Lotufo, and Rubens Campos Machado. "Fingerprint liveness detection using convolutional neural networks."IEEE Transactions on Information Forensics and Security 11.6 (2016): 1206-1213.

16. TS. Hà Minh Tân