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

TRƯỜNG ĐẠI HỌC SÀI GÒN SAIGON UNIVERSITY<br /> TẠP CHÍ KHOA HỌC SCIENTIFIC JOURNAL<br /> ĐẠI HỌC SÀI GÒN OF SAIGON UNIVERSITY<br /> Số 61 (01/2019) No. 61 (01/2019)<br /> Email: tcdhsg@sgu.edu.vn ; Website: https://tapchikhoahoc.sgu.edu.vn<br /> <br /> <br /> <br /> NHẬN DẠNG MỐNG MẮT DÙNG PHƯƠNG PHÁP MẠNG NEURON<br /> NHÂN TẠO VÀ PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP<br /> Iris recognition by using artificial neural network<br /> and independent component analysis<br /> <br /> GS.TS. Lê Tiến Thường(1), Nguyễn Duy Phú(2), Lê Bá Lộc(3), ThS. Phan Xuân Hạnh(4)<br /> Trường Đại học Bách khoa TP.HCM<br /> (1),(2),(3),(4)<br /> <br /> <br /> <br /> <br /> Tóm Tắt<br /> Bài viết trình bày một hệ thống nhận dạng sử dụng mẫu sinh trắc học mống mắt dựa trên các phương<br /> pháp Thresholding, biến đổi Hough, cân bằng Histogram ảnh mắt đầu vào để cho ảnh chuẩn hóa đầu ra<br /> có kích thước 100x100. Mỗi ảnh sau khi được xử lý sẽ lại được chia thành 4 khối nhỏ với kích thước<br /> 50x50. Sau đó, trích xuất các đặc trưng của mống mắt sử dụng giải thuật ICA, và cuối cùng đưa vào mô<br /> hình mạng neuron nhân tạo (ANN) để huấn luyện và kiểm tra. Bài viết cũng nghiên cứu so sánh hiệu<br /> suất của các giải thuật ANN và kiểm tra với các cấu trúc mạng neuron khác nhau để chọn ra mô hình<br /> cho kết quả nhận dạng tốt nhất. Ngoài ra, nghiên cứu còn thực hiện so sánh hiệu suất nhận dạng mống<br /> mắt của mô hình hệ thống được đưa ra với các phương pháp nhận dạng mống mắt của nhiều tác giả,<br /> công trình nghiên cứu trước đó.<br /> Từ khóa: biến đổi Hough, mạng neuron nhân tạo (ANN), nhận dạng mống mắt, phân tích thành phần<br /> độc lập (ICA), sinh trắc học.<br /> Abstract<br /> This paper will present an iris biometric identification system comprising Threshold method, the Hough<br /> transform, Histogram equalization of input eye image in order to create a transformed image with<br /> dimensions 100x100. Next, each image is divided into 4 sub-block images (each block has dimensions<br /> 50x50). Then, the features of each sub-block are extracted by using Independent Component Analysis<br /> (ICA) algorithm. Finally, they are included in the Artificial Neural Network (ANN) model for training<br /> and testing. The paper performs a comparison of the performance of different ANN algorithms, on<br /> different neural network structures, in order to select the best performing model for identification. In<br /> addition, the study also compared the iris recognition performance of the system model with the iris<br /> identification methods of many previous authors and studies.<br /> Keywords: Hough transform, artificial neural network (ANN), iris recognition, independent component<br /> analysis (ICA), biometrics.<br /> <br /> <br /> <br /> <br /> Email: thuongle@hcmut.edu.vn<br /> <br /> 3<br /> SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 61 (01/2019)<br /> <br /> <br /> 1. Giới thiệu trắc học mống mắt được xem là hệ thống<br /> 1.1. Sinh trắc học mống mắt nhận dạng có hiệu suất cao (các nghiên<br /> Mỗi người đều mang trên mình những cứu đều đạt hiệu suất trên 90%) và đã<br /> điểm sinh trắc học duy nhất (bao gồm được áp dụng nhiều vào thực tế. Những<br /> khuôn mặt, giọng nói, vân tay,…). Trong cấu trúc đặc biệt duy nhất của mống mắt<br /> nhiều trường hợp, những đặc điểm, tính gần như là ổn định trong suốt một đời<br /> chất của các mẫu sinh trắc có thể được sử người và thậm chí còn độc lập nhau giữa<br /> dụng để phân biệt người này với người mắt trái và mắt phải của cùng một người,<br /> khác. Mỗi mẫu sinh trắc có những ưu do đó đây là một trong những mẫu sinh<br /> điểm và khuyết điểm riêng, nhưng hệ trắc hiệu quả để thực hiện trong các hệ<br /> thống nhận diện người dựa trên mẫu sinh thống nhận dạng [2].<br /> <br /> <br /> <br /> <br /> Hình 1. Mống mắt của con người<br /> <br /> 1.2. Mạng neuron nhân tạo đoán về những dữ liệu chưa biết [6]. Đây là<br /> Một cấu trúc mạng neural nhân tạo một mô hình có mối quan hệ phức tạp và<br /> (ANN) là một mô hình máy học hoạt động phi tuyến giữa dữ liệu đầu ra với đầu vào<br /> tương tự như chức năng của bộ não con thông qua một lượng lớn neuron. Trong bài<br /> người mà tại đó, hệ thống học hỏi thông viết, cấu trúc Feed Forward Back<br /> qua quá trình huấn luyện từ những dữ liệu Propagation của mạng neuron được sử<br /> đã biết để đưa ra những quyết định, dự dụng vì tính đơn giản và phổ biến của nó.<br /> Đầu vào Đầu ra<br /> <br /> W1,1 W1,2 . . . W1,k W1,k+1<br /> <br /> <br /> <br /> <br /> W2,1 W`2,2 . . . W2,k W2,k+1<br /> <br /> . . . .<br /> . . . .<br /> . . . .<br /> <br /> Wn,1 Wn,2 . . . Wn,k Wn,k+1<br /> <br /> <br /> Lớp đầu vào Lớp ẩn Lớp đầu ra<br /> <br /> Hình 2. Cấu trúc mạng neuron nhân tạo<br /> <br /> 4<br /> LÊ TIẾN THƯỜNG và cộng sự TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN<br /> <br /> <br /> Cấu trúc mạng neuron sẽ có nhiều lớp, các lớp ẩn. Mô hình được huấn luyện dựa<br /> bao gồm một lớp đầu vào, một lớp đầu ra trên giải thuật Back Propagation (BP) dựa<br /> và giữa chúng sẽ có một hoặc nhiều hơn trên các phương trình:<br /> <br />