Tìm kiếm tài liệu miễn phí

Nhận dạng mống mắt dùng phương pháp mạng neuron nhân tạo và phân tích thành phần độc lập

Bài viết trình bày một hệ thống nhận dạng sử dụng mẫu sinh trắc học mống mắt dựa trên các phương pháp Thresholding, biến đổi Hough, cân bằng Histogram ảnh mắt đầu vào để cho ảnh chuẩn hóa đầu ra có kích thước 100x100. Mỗi ảnh sau khi được xử lý sẽ lại được chia thành 4 khối nhỏ với kích thước 50x50.



Đánh giá tài liệu

0 Bạn chưa đánh giá, hãy đánh giá cho tài liệu này


  • 5 - Rất hữu ích 0

  • 4 - Tốt 0

  • 3 - Trung bình 0

  • 2 - Tạm chấp nhận 0

  • 1 - Không hữu ích 0

Mô tả

  1. TRƯỜNG ĐẠI HỌC SÀI GÒN SAIGON UNIVERSITY TẠP CHÍ KHOA HỌC SCIENTIFIC JOURNAL ĐẠI HỌC SÀI GÒN OF SAIGON UNIVERSITY Số 61 (01/2019) No. 61 (01/2019) Email: tcdhsg@sgu.edu.vn ; Website: https://tapchikhoahoc.sgu.edu.vn NHẬN DẠNG MỐNG MẮT DÙNG PHƯƠNG PHÁP MẠNG NEURON NHÂN TẠO VÀ PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP Iris recognition by using artificial neural network and independent component analysis GS.TS. Lê Tiến Thường(1), Nguyễn Duy Phú(2), Lê Bá Lộc(3), ThS. Phan Xuân Hạnh(4) Trường Đại học Bách khoa TP.HCM (1),(2),(3),(4) Tóm Tắt Bài viết trình bày một hệ thống nhận dạng sử dụng mẫu sinh trắc học mống mắt dựa trên các phương pháp Thresholding, biến đổi Hough, cân bằng Histogram ảnh mắt đầu vào để cho ảnh chuẩn hóa đầu ra có kích thước 100x100. Mỗi ảnh sau khi được xử lý sẽ lại được chia thành 4 khối nhỏ với kích thước 50x50. Sau đó, trích xuất các đặc trưng của mống mắt sử dụng giải thuật ICA, và cuối cùng đưa vào mô hình mạng neuron nhân tạo (ANN) để huấn luyện và kiểm tra. Bài viết cũng nghiên cứu so sánh hiệu suất của các giải thuật ANN và kiểm tra với các cấu trúc mạng neuron khác nhau để chọn ra mô hình cho kết quả nhận dạng tốt nhất. Ngoài ra, nghiên cứu còn thực hiện so sánh hiệu suất nhận dạng mống mắt của mô hình hệ thống được đưa ra với các phương pháp nhận dạng mống mắt của nhiều tác giả, công trình nghiên cứu trước đó. Từ khóa: biến đổi Hough, mạng neuron nhân tạo (ANN), nhận dạng mống mắt, phân tích thành phần độc lập (ICA), sinh trắc học. Abstract This paper will present an iris biometric identification system comprising Threshold method, the Hough transform, Histogram equalization of input eye image in order to create a transformed image with dimensions 100x100. Next, each image is divided into 4 sub-block images (each block has dimensions 50x50). Then, the features of each sub-block are extracted by using Independent Component Analysis (ICA) algorithm. Finally, they are included in the Artificial Neural Network (ANN) model for training and testing. The paper performs a comparison of the performance of different ANN algorithms, on different neural network structures, in order to select the best performing model for identification. In addition, the study also compared the iris recognition performance of the system model with the iris identification methods of many previous authors and studies. Keywords: Hough transform, artificial neural network (ANN), iris recognition, independent component analysis (ICA), biometrics. Email: thuongle@hcmut.edu.vn 3
  2. SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 61 (01/2019) 1. Giới thiệu trắc học mống mắt được xem là hệ thống 1.1. Sinh trắc học mống mắt nhận dạng có hiệu suất cao (các nghiên Mỗi người đều mang trên mình những cứu đều đạt hiệu suất trên 90%) và đã điểm sinh trắc học duy nhất (bao gồm được áp dụng nhiều vào thực tế. Những khuôn mặt, giọng nói, vân tay,…). Trong cấu trúc đặc biệt duy nhất của mống mắt nhiều trường hợp, những đặc điểm, tính gần như là ổn định trong suốt một đời chất của các mẫu sinh trắc có thể được sử người và thậm chí còn độc lập nhau giữa dụng để phân biệt người này với người mắt trái và mắt phải của cùng một người, khác. Mỗi mẫu sinh trắc có những ưu do đó đây là một trong những mẫu sinh điểm và khuyết điểm riêng, nhưng hệ trắc hiệu quả để thực hiện trong các hệ thống nhận diện người dựa trên mẫu sinh thống nhận dạng [2]. Hình 1. Mống mắt của con người 1.2. Mạng neuron nhân tạo đoán về những dữ liệu chưa biết [6]. Đây là Một cấu trúc mạng neural nhân tạo một mô hình có mối quan hệ phức tạp và (ANN) là một mô hình máy học hoạt động phi tuyến giữa dữ liệu đầu ra với đầu vào tương tự như chức năng của bộ não con thông qua một lượng lớn neuron. Trong bài người mà tại đó, hệ thống học hỏi thông viết, cấu trúc Feed Forward Back qua quá trình huấn luyện từ những dữ liệu Propagation của mạng neuron được sử đã biết để đưa ra những quyết định, dự dụng vì tính đơn giản và phổ biến của nó. Đầu vào Đầu ra W1,1 W1,2 . . . W1,k W1,k+1 W2,1 W`2,2 . . . W2,k W2,k+1 . . . . . . . . . . . . Wn,1 Wn,2 . . . Wn,k Wn,k+1 Lớp đầu vào Lớp ẩn Lớp đầu ra Hình 2. Cấu trúc mạng neuron nhân tạo 4
  3. LÊ TIẾN THƯỜNG và cộng sự TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Cấu trúc mạng neuron sẽ có nhiều lớp, các lớp ẩn. Mô hình được huấn luyện dựa bao gồm một lớp đầu vào, một lớp đầu ra trên giải thuật Back Propagation (BP) dựa và giữa chúng sẽ có một hoặc nhiều hơn trên các phương trình: 𝑛 𝑈𝑘 (𝑡) = ∑ 𝑤𝑗𝑘 (𝑡). 𝑥𝑗 (𝑡) + 𝑏𝑘 (𝑡) (1) 𝑗=1 𝑌𝑘 (𝑡) = 𝜑(𝑈𝑘 (𝑡)) (2) Trong đó, xj(t) là giá trị đầu vào của j Quá trình học được lặp lại nhiều lần để tại thời gian t, wjk(t) là trọng số của neuron điều chỉnh giá trị trọng số của mạng k tại đầu vào là neuron thứ j ở thời điểm t, neuroncho đến khi đạt được sai số giữa giá φ là hàm kích hoạt phi tuyến, bk(t) là giá trị trị đầu ra mong muốn với giá trị đầu ra tính bias của neuron thứ k tại thời điểm t, và toán được là nhỏ nhất. Phương trình điều yk(t) là đầu ra của neuron k tại thời điểm t. chỉnh trọng số có dạng: 𝑤𝑗𝑘 (𝑡 + 1) = 𝑤𝑗𝑘 (𝑡) + 𝜂𝛿𝑘 𝑦𝑘 + 𝛼(𝑤𝑗𝑘 (𝑡) − 𝑤𝑗𝑘 (𝑡 − 1)) (3) Trong đó, 𝛿𝑘 là sai số ở lớp đầu ra, 𝜂 vào sẽ được phân đoạn đối với vùng mống là tốc độ học, 𝛼 là hệ số momentum. Hai mắt sử dụng giải thuật thresholding để ước tham số 𝛿𝑘 và 𝜂 được sử dụng để quyết lượng vùng pixel của con ngươi;, dựa vào định đến giải thuật điều chỉnh giá trị trọng vùng pixel này để xác định tâm thô của con số của hệ thống mạng neuron. Ngoài ra, ngươi (ta giả định con ngươi của mắt xem còn có 2 nhân tố khác ảnh hưởng đến quá như là hình tròn); sau đó lần lượt xác định trình huấn luyện của một mạng neuron tâm và bán kính của biên trong và biên nhân tạo, đó là số lớp ẩn và số neuron của ngoài của vùng mống mắt sử dụng biến đổi mỗi lớp ẩn trong mạng neuron nhân tạo đó. Hough [13]. Từ kết quả phân đoạn, hệ 2. Hệ thống được đề xuất thống cho hình ảnh chuẩn hóa đầu ra có Hệ thống nhận dạng mống mắt mà bài kích thước 100x100 đơn vị pixel sau khi đã viết đưa ra sẽ bao gồm các bước chính: loại bỏ những vùng thông tin không cần phân đoạn mống mắt, trích xuất đặc trưng, thiết. Ảnh chuẩn hóa sẽ được sử dụng giải hình thành mẫu sinh trắc, huấn luyện mạng thuật ICA để trích xuất thông tin đặc trưng neuron và kiểm tra kết quả (được minh họa của mống mắt, cuối cùng các thông tin đặc trong Hình 4). Đầu vào của hệ thống sử trưng này sẽ được đưa vào mạng neuron dụng cơ sở dữ liệu ảnh mắt CASIA có kích (dưới dạng ma trận) để huấn luyện và kiểm thước 320x280 đơn vị pixel [3]. Ảnh đầu tra hiệu suất của hệ thống. 5
  4. SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 61 (01/2019) Ảnh mống mắt Phân đoạn mống mắt Chuẩn hóa Cơ sở dữ liệu Trích xuất đặc trưng bằng ICA YES NO Learning ? Huấn luyện mạng Kiểm tra bằng neuron mạng neuron Vector đầu ra So sánh với ngưỡng YES NO Thỏa mãn điều kiện so sánh Cho kết quả Không nhận nhận dạng dạng được Hình 3. Lưu đồ giải thuật của hệ thống để xuất 2.1. Phân đoạn mống mắt ước lượng vùng pixel dựa trên các giá trị 2.1.1. Xác định vùng con ngươi mức xám thấp, từ đó xác định tâm thô của Trước khi sử dụng giải thuật dựa trên nó [4]. Kết quả được minh họa trong Hình biến đổi Hough để xác định tâm và bán 4a,b. Dựa trên vùng con ngươi vừa xác kính của con ngươi (được xem như là hình định được, có thể ước lượng vị trí tâm thô tròn), giải thuật thresholding được dùng để của con ngươi theo công thức [10]: 𝑁 𝑁 1 1 𝑥 = ∑ 𝑥𝑖 ; 𝑦 = ∑ 𝑦𝑖 (4) 𝑁 𝑁 𝑖=1 𝑖=1 6
  5. LÊ TIẾN THƯỜNG và cộng sự TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Trong đó, (xi, yi) thể hiện vị trí của giá lên ảnh mắt để tách các pixel thành hai trị mức xám 0 trong ảnh nhị phân là ảnh kết phần: phần thuộc vật thể (màu đen) và phần quả sau khi sử dụng thuật toán thresholding thuộc môi trường (màu trắng). Hình 4. a. Ảnh mống mắt; b. Kết quả phân đoạn vùng con ngươi dùng giải thuật thresholding. Kết quả xác định biên trong biên ngoài của vùng mống mắt: c. Không sử dụng cân bằng histogram; d. Sử dụng cân bằng histogram Sau khi ước lượng vị trí của con ngoài của mống mắt khó nhận biết hơn nên ngươi, hệ thống sử dụng giải thuật dựa trên cần phải sử dụng cân bằng histogram trước biến đổi Hough để tìm ra tâm và bán kính khi áp dụng bộ lọc đường biên cho ảnh [4]. thực của con ngươi [10]. Kết quả xử lý và so sánh giữa hai trường 2.1.2. Xác định biên của mống mắt hợp xác định biên trong biên ngoài của Sau khi tìm được tâm thô của con mống mắt được minh họa trong Hình 4c,d. ngươi, vì tâm của các đường biên trong và Tóm tắt các bước phân đoạn mống mắt biên ngoài của vùng mống mắt gần như là ● Ước lượng vị trí của con ngươi trùng nhau (trùng với tâm của con ngươi), dùng giải thuật thresholding. nên việc ước lượng tâm cũng như bán kính ● Ước lượng tâm và bán kính của con của hai đường biên này sẽ tương đối giống ngươi (biên trong mống mắt) dùng lọc nhau về nguyên lý thực hiện. Mặc dù sẽ có Canny và biến đổi Hough. một số bước tiền xử lý trước khi xác định ● Cân bằng Histogram, ước lượng biên ngoài của mống mắt để cải thiện mức tâm, bán kính của con ngươi dùng bộ lọc độ tương phản giữa các pixel của vùng Canny và biến đổi Hough. mống mắt với những pixel không thuộc 2.2. Chuẩn hóa vùng mống mắt, sau đó mới áp dụng biến Sau khi đã xác định được vùng mống đổi Hough để cho kết quả xử lý tốt hơn. mắt từ bước phân đoạn, các pixel trong Khác với biên ngoài, biên trong của mống vùng mống mắt sẽ được chuẩn hóa để cho mắt có sự thay đổi về các giá trị mức xám một ảnh pixel đầu ra. Ngoài mục đích đưa của vùng mống mắt và con ngươi là dễ các pixel của vùng mống mắt về một ma dàng nhận ra hơn nên khi áp dụng các bộ trận pixel có kích thước chuẩn, công việc lọc tìm đường biên như bộ lọc Canny ta dễ này còn làm giảm đáng kể lượng thông tin dàng tìm được các đường biên này chính dữ liệu dư thừa, để qua đó giúp giảm thời xác. Ngược lại ranh giới này ở đường biên gian xử lý của hệ thống. Thông thường, 7
  6. SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 61 (01/2019) quá trình chuẩn hóa có các bước loại bỏ xử lý chuẩn hóa được minh họa trong Hình các nhiễu do chân mày, lông mi và những 5a. đốm sáng phản xạ nằm trên vùng mống Bằng cách này, các nhiễu do chân mày mắt, để không làm ảnh hưởng đến hiệu và lông mi sẽ được loại bỏ, ma trận ảnh suất nhận diện của hệ thống cũng như độ đầu ra không cần phải sử dụng các phương chính xác của việc xử lý. Trong bài viết pháp loại bỏ nhiễu, từ đó giảm được thời này, vùng mống mắt ở phía trên và phía gian xử lý của hệ thống [14]. Tuy nhiên, dưới của con ngươi sẽ được lược bỏ, vì đây đánh đổi cho nó, lại là việc mất đi thông tin là những vùng pixel thường hay có nhiễu mống mắt nằm trong những phần trên và do lông mi và chân mày. Phần còn lại của phần dưới của con ngươi so với các mống mắt sẽ được hệ thống lấy mẫu để cho phương pháp truyền thống. Kết quả đầu ra ma trận ảnh đầu ra có kích thước 100x100 của bước chuẩn hóa được minh họa trong đơn vị pixel. Vùng pixel của mống mắt để Hình 5b,c. Hình 5. a. Vùng mống mắt được dùng để xử lý chuẩn hóa; b. Ảnh trước khi chuẩn hóa; c. Ảnh sau khi chuẩn hóa 2.3. Trích xuất đặc trưng với ICA thành phần chính (PCA), Kernel PCA [11], Sau quá trình chuẩn hóa, ảnh thu được phân tích thành phần độc lập (Independent có kích thước là 100x100 tạo thành một Component Analysis - ICA) [18]. Để trích không gian với số chiều quá lớn [14]. Tuy xuất đặc trưng mống mắt, thuật toán ICA nhiên, kích thước nội tại của không gian đã được áp dụng, vì trong ICA áp dụng các mống mắt là nhỏ hơn nhiều. Kỹ thuật phép biến đổi tuyến tính. Trong bài viết không gian được sử dụng nhằm mục đích này, một chương trình MATLAB được đưa làm giảm số chiều quá lớn của dữ liệu ra bởi Gävert, Hurri, Särelä, and Hyvärinen được quét. Trong khía cạnh này, các công [15] nhằm áp dụng để thực hiện thuật cụ phân tích không gian được sử dụng toán FastICA. rộng rãi nhất như Singular Value Mô hình tuyến tính không nhiễu của Decomposition (SVD) [14], phân tích ICA có thể được biểu diễn bằng: 𝑥 = 𝐴𝑠 (1) 8
  7. LÊ TIẾN THƯỜNG và cộng sự TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Trong đó, 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑁 )𝑇 là Kích thước của vector đặc trưng sau khi áp vector của tín hiệu quan sát được với kích dụng thuật toán ICA xác định số lượng thước là N, 𝑠 = (𝑠1 , 𝑠2 , … , 𝑠𝑀 )𝑇 với kích neuron ở lớp đầu vào và nó bằng chính giá thước M là số thành phần độc lập và A là trị M của ma trận trộn A. ma trận trộn chưa biết. Trong giải thuật 2.4.2. Lớp ẩn ICA sẽ áp dụng thuật toán điểm cố định để Lớp ẩn bao gồm nhiều neuron nhận dữ ước lượng ma trận A và thành phần độc lập liệu đầu vào từ các neuron lớp trước và s dựa vào vector x. chuyển đổi các giá trị đầu vào này sang các Giả sử 𝑥 ′ = (𝑥1′ , 𝑥2′ , … , 𝑥𝑁′ )𝑇 là một lớp xử lý tiếp theo. Trong quá trình đào ảnh mống mắt sau quá trình chuẩn hóa với tạo, số lượng lớp ẩn cũng như số neuron N biến ngẫu nhiên và giả định rằng sự kết trong mỗi lớp ẩn được thay đổi để đạt mô hợp tuyến tính của M thành phần độc lập hình tối ưu. chưa biết được ký hiệu là 𝑠 ′ = 2.4.3. Lớp đầu ra (𝑠1′ , 𝑠2′ , … , 𝑠𝑀 ′ )𝑇 , với tất cả i, i = 1,2,..,N, ảnh Số lượng neuron của lớp đầu ra phụ 𝑥𝑖 và thành phần độc lập 𝑠𝑖′ được chuyển ′ thuộc vào số lượng người sử dụng để huấn đổi lần lượt thành 𝑥𝑖 và 𝑠𝑖 bằng cách nối luyện. hàng và được ký hiệu tương ứng là 𝑥 = 2.4.4. Các thuật toán huấn luyện (𝑥1 , 𝑥2 , … , 𝑥𝑁 )𝑇 và 𝑠 = (𝑠1 , 𝑠2 , … , 𝑠𝑀 )𝑇 . Từ Các thuật toán huấn luyện cần điều đó, hình ảnh mống mắt được đại diện bởi chỉnh trọng số của ANN để giảm thiểu sai một sự kết hợp tuyến tính của 𝑠1 , 𝑠2 , … , 𝑠𝑀 số càng nhiều càng tốt. Ở đây, hàm Mean với các trọng số 𝑎𝑖1 , 𝑎𝑖2 , … , 𝑎𝑖𝑀 . Vì thế, ma square error (MSE) được sử dụng như một trận A đại diện cho không gian của tất cả hàm hiệu suất cho hệ thống nhận dạng các ảnh mống mắt. mống mắt và nó được giảm thiểu trong quá 2.4. Cấu trúc mạng neuron nhân tạo trình huấn luyện Feed Forward Back 2.4.1. Lớp đầu vào Propagation (FFBPNN). MSE thể hiện Lớp đầu vào đại diện cho hình ảnh khác biệt giữa mô hình ANN mong muốn mống mắt như là đầu vào của hệ thống. và mô hình thực tế theo phương trình sau: 𝑛 (𝑇𝑖 − 𝑦𝑖 )2 𝑀𝑆𝐸 = ∑ (2) 𝑛 𝑖=1 Trong đó, Ti và yi lần lượt là các giá trị (TRAINBR) mong muốn và thực tế thứ i của mô hình. ● Conjugate gradient back- Ở đây, 10 thuật toán ANN tối ưu được propagation with Fletcher-Reeves updates sử dụng để huấn luyện các mô hình ANN (TRAINCGF) ● Gradient descent - (TRAINGD) và xác định mô hình tốt nhất cho hệ thống ● Gradient descent with momentum nhận dạng mống mắt: (TRAINGDM) ● Levenberg-Marquardt (TRAINLM) ● Gradient descent with adaptive ● Broyden Fletcher Goldfarb learning rate - (TRAINGDA) Shanno (TRAINBFG) ● Gradient descent momentum and an ● Bayesian regularization algorithm adaptive learning rate (TRAINGDX) 9
  8. SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 61 (01/2019) ● One-step secant - (TRAINOSS) khác nhau cũng được đánh giá. ● Resilient back-propagation (TRAINRP) Các kết quả trong Bảng 1 và Bảng 2 Các thuật ngữ (LM, BFG, BR, CGF, khi mô hình có 20 người, mỗi người có 5 GD, GDM, GDA, GDX, OSS và RP) được ảnh (trong đó 3 ảnh để huấn luyện và 2 ảnh sử dụng trong các bảng được mô tả trong để kiểm tra). Mỗi ảnh sau khi chuẩn hóa có phần kết quả đại diện cho 10 thuật toán kích thước 100x100 và được chia thành 4 tương ứng. khối nhỏ, mỗi khối có kích thước 50x50. 3. Kết quả thực hiện Sau đó dùng giải thuật ICA với M = 50, Hệ thống thực hiện trên máy tính có mô hình đầu tiên được xây dựng với ba lớp cấu hình Intel Core i3 với tốc độ 2.4 GHz (lớp đầu vào, 1 lớp ẩn và lớp đầu ra). Bảng và RAM 4 GB với bộ dữ liệu CASIA Iris 1 cho thấy kết quả khi mô hình có ba lớp Interval [3]. Các mô hình ANN khác nhau (lớp đầu vào, 1 lớp ẩn và lớp đầu ra) được đã được xây dựng cho hệ thống nhận dạng huấn luyện với 10 thuật toán khác nhau. mống mắt. Mỗi mô hình được huấn luyện Bảng 1 cho thấy tỷ lệ nhận dạng chính với 10 thuật toán như đã nêu ở trên. Đối với xác nhất khi sử dụng thuật toán GDA mỗi mô hình, số lớp ẩn được thay đổi để (Gradient Descent with Adaptive learning đánh giá hiệu quả. MATLAB được sử dụng rate). Ngoài ra, thuật toán này hội tụ rất để viết các chương trình liên quan đến việc nhanh. Tuy nhiên, các thuật toán như LM, huấn luyện các mô hình ANN khác nhau BFG, BR, CGF cần thời gian hội tụ lớn cũng như các chương trình để kiểm tra tỷ lệ nhưng tỷ lệ nhận dạng thấp. Để kiểm tra ảnh chính xác của chúng xác định cấu trúc mô hưởng của số lớp ẩn đến kết quả nhận dạng, hình ANN tối ưu. Để đánh giá hiệu suất của mô hình thứ hai đã được thực hiện với 5 lớp mô hình đã xây dựng, hai thông số được (lớp đầu vào, 3 lớp ẩn và lớp đầu ra). Kết tính toán là tỷ lệ nhận dạng và thời gian hội quả được thể hiện trong Bảng 2. tụ. Hiệu quả của các thuật toán huấn luyện Bảng 1. Kết quả của mô hình ANN có 1 lớp ẩn Hàm huấn luyện Tỷ lệ nhận dạng Thời gian hội tụ LM 7.5 % 1800 s BFG 25 % 1200 s BR 10 % 1500 s CGF 12.5 % 1608 s GD 87.5 % 240 s GDM 87.5 % 233 s GDA 92.5 % 10 s GDX 90 % 10 s OSS 40 % 18 s RP 87.5 % 10 s 10
  9. LÊ TIẾN THƯỜNG và cộng sự TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Bảng 2. Kết quả của mô hình ANN có 3 lớp ẩn Hàm huấn luyện Tỷ lệ nhận dạng Thời gian hội tụ LM 7.5 % 2375 s BFG 25 % 1620 s BR 10 % 1724 s CGF 12.5 % 1801 s GD 87.5 % 320 s GDM 87.5 % 286 s GDA 97.5 % 18 s GDX 90 % 25 s OSS 47.5 % 37 s RP 90 % 16 s Dễ thấy rằng, với mô hình có 3 lớp ẩn, Nhưng với công nghệ và sự phát triển của thời gian hội tụ tương đối lớn nhưng hiệu máy tính ngày nay, vấn đề này sẽ được suất đã được cải thiện, thuật toán cho hiệu khắc phục. Dựa vào các kết quả trên, mô quả tốt nhất vẫn là GDA (97,5%). Việc cần hình ANN tối ưu được lựa chọn cho hệ thêm thời gian cho các thuật toán hội tụ là thống nhận dạng mống mắt là mô hình điều dễ hiểu vì càng nhiều lớp ẩn đòi hỏi ANN với 5 lớp (lớp đầu vào, 3 lớp ẩn và phải thực hiện nhiều phép tính toán hơn. lớp đầu ra) và sử dụng thuật toán GDA. Bảng 3. Kết quả khi ảnh không được chia khối Không Giá trị M của ma trân A Không chia Giá trị M của ma trân A chia khối 10 30 50 100 khối 10 30 50 100 432 5 5 100% 20 366 246 10 10 100% 100% 14 6 238 249 258 90% 20 20 100% 90% (9/10) Số 28 15 27 Số (9/10) người 251 261 273 247 người 95% 40 40 100% 100% 100% 37 28 17 16 (19/20) 268 257 261 242 60 60 100% 100% 100% 100% 46 29 31 40 405 458 523 298 10.56% 96.11% 98.89% 97.22% 90 90 49 51 41 26 (19/180) (173/180) (178/180) (175 /180) 11
  10. SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 61 (01/2019) Bảng 4. Kết quả khi ảnh được chia thành 4 khối Chia 4 Số dimension Số dimension Chia 4 khối khối 10 30 50 100 10 30 50 100 5 4 4 90% 5 5 100% 100% 16 4 3 (8/10) 5 5 5 5 95% 87.5% 10 10 100% 100% 25 17 14 5 (19/20) (16/20) 6 5 6 6 92.5% 95% 97.5% 87.5% 20 20 61 27 26 15 (37/40) (38/40) (39/40) (35/40) Số Số người 8 8 8 11 người 15% 93.75% 91.25% 88.75% 40 40 17 78 76 51 (12/80) (75/80) (73/80) (71/80) 12 15 13 20 12.5% 93.33% 92.5% 89.16% 60 60 22 178 149 120 (15/120) (112/120) (111/120) (107/120) 19 19 19 23 6.67% 8.33% 89.44% 83.89% 90 90 (12/180) (15/180) (161/180) (151/180) 34 24 273 248 Theo kết quả trong các Bảng 3 và tính toán ICA và thời gian thuật toán huấn Bảng 4, khi ảnh không được chia thành các luyện hội tụ được giảm đáng kể. Kết quả khối nhỏ thì hiệu suất nhận dạng rất cao nhận dạng đạt được tốt nhất khi giải thuật nhưng thời gian tính toán giải thuật ICA và ICA với số chiều là 50. Bảng 5 cho thấy sự thời gian thuật toán huấn luyện trong mạng so sánh ngắn gọn về hiệu quả dựa trên tỷ lệ ANN là rất lớn, không phù hợp cho các ứng nhận dạng giữa phương pháp đề xuất của dụng trong thời gian thực. Khi ảnh được chúng tôi và một số phương pháp khác chia thành 4 khối, mỗi khối có kích thước nhau trong các bài báo đã công bố. Các là 50x50 thì hiệu suất nhận dạng không tốt phương pháp này bao gồm Daugman [9], như khi không chia khối, nhưng thời gian Tisse [5], Li Ma [12] và Chirchi [18]. Bảng 5. Bảng so sánh với các phương pháp khác Phương pháp Tỷ lệ nhận dạng (%) Daugman [9] 99.37 Tisse [5] 96.61 Li Ma [12] 94.33 Chirchi [18] 99.75 Phương pháp đề xuất 97.5 12
  11. LÊ TIẾN THƯỜNG và cộng sự TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Từ kết quả, phương pháp của hệ thống đề xuất và các phương pháp của Daugman có hiệu suất tốt nhất, trong khi Tisse, Li Ma, Boles đã được làm để chứng hệ thống đề xuất cho kết quả tốt hơn khi so minh hiệu quả của phương pháp nhận dạng sánh với các phương pháp của Tisse, Li mống mắt dùng ANN và ICA đề xuất. Ma. Vì vậy, hệ thống đề xuất chứng minh Trong tương lai, hệ thống nhận dạng mống hiệu quả khi so sánh các phương pháp tiếp mắt cần phải được phát triển để thực hiện cận khác. Trong nghiên cứu gần đây [18], trên phần cứng và trong thời gian thực để không có đề cập đến thời gian xử lý của trở thành một ứng dụng phổ biến. phương pháp cũng như số lượng người nhận diện để có thể so sánh thời gian xử lý LỜI CẢM ƠN giữa hai phương pháp. Mặc dù hiệu quả Các tác giả cảm ơn khoa Điện-Điện tử trường Đại học Bách Khoa TP.Hồ Chí Minh đã nhận dạng không cao lắm so với phương hỗ trợ tài chính và hướng dẫn để hoàn thành pháp trong tài liệu [18] nhưng hiệu suất của thành công nghiên cứu này. phương pháp nhận dạng mống mắt dùng ANN và ICA vẫn chấp nhận được với thời TÀI LIỆU THAM KHẢO gian xử lý nhanh và có thể được kết hợp 1. A. Albadarneh, J. Alquatawna, Iris vào ứng dụng thời gian thực. recognition System for Secure 4. Kết luận Authentication Based on Texture and Shape Bài nghiên cứu đã đưa ra một phương Features Pro.IEEE Jordan Conf. Applied pháp hiệu quả cho hệ thống nhận dạng Electrical Engineering and Computer mống mắt. Sau quá trình chuẩn hóa, hình Technologies (2015). ảnh với kích thước 100x100 được chia 2. Anil K.Jain, R. Bolle, S.Pankanti, thành 4 khối hình ảnh nhỏ trước khi trích Biometrics Personal Identification in xuất đặc trưng. Mỗi khối nhỏ được trích Networked Society, Kluwer Academic Publishers (2002), New York, Boston, xuất đặc trưng bằng cách sử dụng thuật Dordrecht, London, Moscow, ISBN 0-306- toán ICA. Bằng cách chia hình ảnh thành 47044-6.G. các khối nhỏ, thời gian tính toán ICA được 3. CASIA Iris database - giảm xuống đáng kể. Các thành phần độc http://biometrics.idealtest.org/dbDetailForU lập này phản ánh thông tin chi tiết của ser.do?id= mống mắt (như tàn nhang, dải, rãnh,…) 4. Cherabit, F.Z.Chelali, A.Djeradi, Circular thay đổi, phân bố của nó cho thấy sự khác Hough Transform for Iris localization, biệt cá nhân của mống mắt đối với mỗi Science and Technology (2012), 2(5): 114- người. Sau đó, các đặc trưng mống mắt này 121, DOI: 10.5923/j.scit.20120205.02. đã được phân loại và nhận dạng theo mô 5. Christel-Loic Tisse, Lionel Torres, Michel hình mạng neuron nhân tạo (ANN). Các Robert Personal Identification Technique mô hình ANN khác nhau được xây dựng Using Human Iris Recognition, Proceeding of the 15th International Conference on và được huấn luyện với 10 thuật toán khác Vision interface (2002). nhau để đạt được mô hình ANN tối ưu. Kết 6. Ethem Alpaydin, Introduction to Machine quả đạt được khi thực hiện với cơ sở dữ Learning, The MIT Press, Cambridge, liệu CASIA. Tỷ lệ nhận dạng của phương Massachusetts, London, England (2004), pháp này là 97,5%. Đặc biệt, so sánh giữa ISBN 0-262-01211-1. 13
  12. SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 61 (01/2019) 7. G. Supriya, S. Halvi, N. T. Deshpande, 14. Roman Swiniarski, Experiment on Efficient Iris Recognition by Fusion of human iris recoginition using error Matching Scores obtained by Lifting DWT backpropagation artificial neural network, and Log-Gabor methods of Feature San Diego State University, April 2004M. Extraction, International Journal of Applied Young, The Technical Writer’s Handbook. Research (2015). Mill Valley, CA: University Science, 8. H. Zang, V. M. Patel, M. E. Fathy and R. (1989). Chellapa, Touch Gesture Based Active 15. R. Swiniarski, Independent Component User Authentication Using Dictionaries, Analysis, CS553 Class Notes, San Diego Proc. IEEE Winter Conf. Applications of State University, (2004). Computer Vision, (2015, pp 207-214). 16. Shinyoung Lim, Kwanyong Lee, Okhwan 9. J.Daugman, Statistical richness of visual Byeon, and Taiyun Kim, Efficient Iris phase information: Update on recognizing Recognition through Improvement of persons by iris patterns, International Feature Vector and Classifier, ETRI Journal of Computer Vision, (Vol 45, No. Journal, Volume 23, Number 2, June 2001. 1, pp. 25-38, 2001). 17. Sushikumar S.Salve, S.P.Narote, Iris 10. J.Yang, L.Nanni, State of the Art in Recognition Using SVM and ANN, (IEEE Biometrics, Published by InTech (2011), WISPNET 2016 conference), ISBN 978-1- ISBN 978-953-307-307-489-4. 4673-9338-6/16/S31.00 11. K.I.Kim, K.Jung, H.J.Kim, Face recognition 18. V.R.E. Chirchi, L.M. Waghmare, using kernel principal component analysis. Enhanced Isocentric Segmentor and IEEE Signal Process Letters, (Vol. 9, No. 2, Wavelet Rectangular Coder to Iris pp. 40-42, Feb. 2002). Segmentation and Recognition, 12. L.Ma, Y.H.Wang, T.N.Tan, Iris recognition International Journal of Intelligent Engineering and Systems, (Vol. 10, No. 3, based on multichannel Gabor filtering. pp. 1-10, 2017). Proceedings of the Fifth Asian Conference on Computer Vision (ACCV2002), 19. Yong Wang, Jiu-Qiang Han, Iris Australia (pp. 279-283, Jan. 2002). Recognition Using Independent Component Analysis, Proceedings of the Fourth 13. P.Daniel Rana, G. Neelima Image International Conference on Machine Segmentation by using Histogram Learning and Cybernetics, Guangzhou, Thresholding, IJSET (|January 2012| Vol 2, (18-21 August 2005). Issue 1, 776- 779), ISSN: 2231-0711. Ngày nhận bài: 01/08/2018 Biên tập xong: 15/12/2018 Duyệt đăng: 20/01/2019 14

Tài liệu cùng danh mục Y khoa - Dược

Bài giảng Rối loạn vận động

Bài giảng Rối loạn vận động bao gồm những nội dung về đường liên kết hạch nền; chức năng của rối loạn vận động; triệu chứng của rối loạn vận động. Mời các bạn tham khảo bài giảng để bổ sung thêm kiến thức về lĩnh vực này, bài giảng hữu ích với các bạn chuyên ngành Y.


Giáo trình phân tích quy trình ứng dụng lượng thuốc kháng sinh với triệu chứng của choáng phản vệ p1

Thụt vào tử cung, âm đạo: Chú ý: Không được tiêm thuốc vào tĩnh mạch. Không dùng cho gia súc có phản ứng dị ứng với Penicilin. Không trộn Ampicilin với Kanamycin, Gentamycin, Tetracyclin, Erythromycin và Chloramphenicol. Ampicilin hoàLiều lượng Tiêm bắp, dưới da, uống, thụt vào âm đạo, tử cung. * Tiêm bắp, dưới da Liều chung: Trâu bò: Bê nghé: Lợn: Chó: 10 - 20 mg/kg thể trọng/ngày 3.000 - 6.000 mg/ngày, loại 300 - 350 kg/con 600-2.000 mg/ngày, loại 60-100kg/con 1.000-2.000 mg/ngày, loại 50-100kg/con 400-800 mg/ngày, loại 5-10kg/con....


Bài giảng Bệnh lao phổi - ThS.BS. Nguyễn Như Vinh

Bài giảng Bệnh lao phổi do ThS.BS. Nguyễn Như Vinh biên soạn sau đây sẽ cung cấp cho các bạn những kiến thức về các đối tượng nghi ngờ lao; biểu hiện lâm sàng và cận lâm sàng của bệnh lao phổi; cách chẩn đoán xác định bệnh lao phổi; phân loại bệnh lao phổi; cách điều trị bệnh lao phổi.


Bài giảng nội khoa : TIM MẠCH THẤP TIM part 5

Trong khi bệnh cơ tim hạn chế hầu như gặp ở các nước nhiệt đới. Ở Uganda 14% trường hợp tử vong suy tim là do xơ hóa cơ tim- nội tâm mạc. Ở Nigeria là 10%. Ở nước ta, hiện nay chưa có tỉ lệ toàn dân; tuy nhiên nhiều tác giả đã ghi nhận tỉ lệ BCT dãn chiếm đa số và đã gây nguy cơ tử vong rất cao. BỆNH CƠ TIM DÃN


Bài giảng Cập nhật về thông khí cơ học - TS. SS. Đỗ Quốc Huy

Bài giảng "Cập nhật về thông khí cơ học - TS. SS. Đỗ Quốc Huy" trình bầy các tiến bộ về thông khí cơ học, định nghĩa Berlin và ARDS, nhược điểm của Vt thấp và ưu điểm của PEEP cao, cấc nghiên cứu huy động phế nang, ưu và nhược điểm của các nghiên cứu huy động phế nang.


Đề thi Thực tập pháp y: Đề 3

Đề thi Thực tập pháp y: Đề 3 là tài liệu tham khảo cho các bạn sinh viên học chuyên ngành có tư liệu ôn thi tốt đạt kết quả cao trong các kì thi giữa kì và cuối kì. Chúc bạn học tốt.


Giáo trình Cấp cứu ban đầu - Hoàng Thanh Thước (chủ biên)

Giáo trình Cấp cứu ban đầu được biên soạn dựa trên chương trình khung của Bộ GD&ĐT, có cập nhật thông tin, kiến thức mới về lĩnh vực cấp cứu ban đầu. Sách gồm các bài học, mỗi bài học gồm 3 phần: mục tiêu, nội dung chính và phần tự lượng giá. Đây là tài liệu chính thức để sử dụng cho việc học tập và giảng dạy trong nhà trường.


Ebook Snustad principles of genetics (6th edition): Part 2

(BQ) Part 2 book "Snustad principles of genetics" presents the following contents: The techniques of molecular genetics, genomics, applications of molecular genetics, transposable genetic elements, regulation of gene expression in eukaryotes, the genetic control of animal development, population genetics, evolutionary genetics,...


Lý thuyết y khoa: Tên thuốc APO-PIROXICAM APOTEX

DƯỢC LỰC Apo-Piroxicam (piroxicam) là một thuốc kháng viêm không steroid có tính giảm đau và hạ sốt. Cơ chế tác động của thuốc vẫn chưa được biết rõ ràng. Piroxicam ức chế tác động của men tổng hợp prostaglandin. Sinh tổng hợp prostaglandin giảm có thể giải thích phần nào tác dụng kháng viêm của thuốc. Piroxicam không tác động bằng cách kích thích tuyến yên-thượng thận. Trong viêm khớp dạng thấp, hiệu quả của piroxicam 20 mg mỗi ngày cũng tương tự như 4,2 g acetylsalicylic acid mỗi ngày. DƯỢC ĐỘNG HỌC Piroxicam được hấp thu...


Association between anthropometric indices and cardiometabolic risk factors in pre-school children

The world health organization (WHO) and the Identification and prevention of dietary- and lifestyleinduced health effects in children and infants- study (IDEFICS), released anthropometric reference values obtained from normal body weight children.


Tài liệu mới download

Bài giảng Kế toán thuế
  • 26/07/2012
  • 80.118
  • 389

Từ khóa được quan tâm

Có thể bạn quan tâm

Giáo trình Bệnh do nhiễm Amib
  • 17/11/2009
  • 33.583
  • 257
Cơ sở di truyền ung thư part 1
  • 10/08/2011
  • 62.426
  • 669
Tâm thần học part 7
  • 03/08/2011
  • 23.092
  • 588

Bộ sưu tập

Danh mục tài liệu