RealTEQ Academy

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------
Đào Văn Hậu
NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀO BÀI TOÁN
NHẬN DẠNG LÒNG BÀN TAY NGƯỜI
LUẬN VĂN THẠC SĨ KHOA HỌC
NGÀNH KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA
H 3
à Nội – 2022

2. BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------
LUẬN VĂN THẠC SĨ
NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀO BÀI TOÁN
NHẬN DẠNG LÒNG BÀN TAY NGƯỜI
ĐÀO VĂN HẬU
daovanhau96hust@gmail.com
Chuyên ngành Kỹ thuật điều khiển và tự động hóa
Giảng viên hướng dẫn: TS. Trần Thị Thảo
Khoa: Tự động hóa Trường: Điện Điện tử
-
Chữ ký của GVHD

3. CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ
Họ và tên tác giả luận văn: Đào Văn Hậu
Đề tài luận văn: Nghiên cứu ứng dụng trí tuệ nhân tạo vào bài toán nhận
dạng lòng bàn tay người
Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa
Mã số HV: 20202915M
Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn xác
nhận tác giả đã sửa chữa, bổ sung luận văn theo biên bản họp Hội đồng ngày
29/04/2022 với các nội dung sau:
- Chỉnh sửa một số lỗi chính tả, trình bày
- Bổ sung trích dẫn tham khảo khi trình bày các chương
- Bổ sung lưu đồ tổng thể cho bài toán
- Giải thích tại sao có sai số trong bài toán phát hiện lòng bàn tay trực tiếp
Ngày 06 tháng 05 2022
năm
Giáo viên hướng dẫn Tác giả luận văn
CHỦ TỊCH HỘI ĐỒNG

4. LỜI CAM ĐOAN
Tôi xin cam đoan Luận văn có tên “Nghiên cứu ứng dụng trí tuệ nhân tạo
vào bài toán nhận dạng lòng bàn tay người” là công trình nghiên cứu khoa học
độc lập của riêng tôi. Các số liệu sử dụng phân tích trong luận văn có nguồn gốc
rõ ràng, tin cậy và đã công bố theo đúng quy định. Kết quả nghiên cứu trong luận
văn do tôi tự ểu, phân tích một cách trung thực, khách quan và phù hợp với
tìm hi
thực tiễn. Các kết quả này chưa từng được công bố trong bất kỳ nghiên cứu nào
khác.
Vậy tôi viết Lời cam đoan này đề nghị Khoa Tự động hóa rường Điện
, T Điện-
tử, Đại học Bách khoa Hà Nội xem xét để tôi có thể bảo vệ luận văn theo quy định.
Tôi xin chân thành cảm ơn!
Hà Nội, ngày năm
06 tháng 05 2022
Học viên thực hiện
(Ký và ghi rõ họ tên)
Đào Văn Hậu

5. LỜI CẢM ƠN
Trong thời gian làm luận văn tốt nghiệp, em đã nhận được sự giúp đỡ, đóng
góp ý kiến và chỉ bảo nhiệt tình của thầy cô, gia đình và bạn bè.
Em xin gửi lời cảm ơn chân thành đến cô giáo TS. Trần Thị Thảo, giảng
viên bộ môn Kỹ thuật đo & Tin học công nghiệp –Đại học Bách Khoa Hà Nội
người đã tận tình hướng dẫn, chia sẻ kinh nghiệm và đưa ra những ý kiến đóng
góp quý báu cùng sự động viên tinh thần trong suốt quá trình nghiên cứu và thực
hiện luận văn.
Đồng thời em cũng gửi lời cảm ơn đến Công ty TNHH MLAB đã tận tình
giúp đỡ, hỗ trợ em xây dựng cơ sở dữ liệu để hoàn thành luận văn Cuối cùng, xin
.
cảm ơn gia đình, bạn bè và đồng nghiệp đã luôn bên cạnh động viên và tạo điều
kiện thuận lợi giúp em trong suốt quá trình học tập và hoàn thành luận văn.
Do thời gian thực hiện có hạn, kiến thức chuyên môn còn nhiều hạn chế nên
luận văn em thực hiện không tránh khỏi những thiếu sót. Em rất mong nhận
sẽ
được những ý kiến đóng góp quý báu của thầy cô và các bạn đọc.
quý
Em xin chân thành cảm ơn!
Tác giả luận văn
Đào Văn Hậu

6. MỤC LỤC
L ...................................................................................................
ỜI CAM ĐOAN
L .........................................................................................................
ỜI CẢM ƠN
M C...............................................................................................................
ỤC LỤ
DANH M NH
Ụ Ả
C HÌNH ......................................................................................
DANH M C B
Ụ Ả Ể
NG BI U ....................................................................................
DANH M C T VI
Ụ Ừ ẾT TẮ Ệ
T, KÝ HI U .............................................................
L U ........................................................................................................
ỜI NÓI ĐẦ
CHƯƠNG 1. Ổ Ề Ậ ẠNG LÒNG BÀN TAY NGƯỜ
T NG QUAN V NH N D I
............................................................................................................................ …1
1.1. Gi i thi u v bài toán nh n di n lòng bàn t ................................................ 1
ớ ệ ề ậ ệ ay
1.2. Nh c trong bài toán nh n di n lòng bàn tay........... 3
ững khó khăn và thách thứ ậ ệ
1.3. Các ng d ng c a bài toán nh n di n lòng bàn tay ........................................ 4
ứ ụ ủ ậ ệ
CHƯƠNG 2. PHƯƠNG PHÁP XÁC ĐỊ Ự Ế
NH LÒNG BÀN TAY TR C TI P
............................................................................................................................... .5
2.1. Cơ sở ết xác đị
lý thuy nh lòng bàn tay............................................................. 5
2.1.1. Cơ sở ế ậ ấ
lý thuy t và thu t toán trích xu t vùng quan tâm (ROI) ............. 5
2.1.2. Thu ...................................................................... 6
ật toán trích xuất ROI
2.2. Phương pháp xác đị ự ế
nh lòng bàn tay tr c ti p.................................................. 7
CHƯƠNG 3. PHƯƠNG PHÁP NHẬ Ệ Ử Ụ
N DI N LÒNG BÀN TAY S D NG
ĐẶC TRƯNG VỀ ỚNG VÀ ĐỘ Ớ Ủ Ờ
HƯ L N C A ĐƯ NG VÂN ..................... 9
3.1. Thu t toán bi ...................................................................... 9
ậ ến đổi sóng Gabor
3.2. Một số phương pháp trích xuất đặc trưng lòng bàn tay điển hình ................ 10
3.2.1 Eigenpalms ........................................................................................... 10
3.2.2 Fisherpalms........................................................................................... 16
3.2.3 Local Binary Patterns Histograms (LBPH).......................................... 18
3.2.4 Phương ến đổ ộ ụ ộ
pháp bi i Radon trong m t vùng c c b ............... 20
(LRT)

7. 3.2.5 Phương pháp thự ệ ậ ệ ằ ấ
c hi n nh n di n lòng bàn tay b ng mô hình Tetra c u
trúc vi mô cục bộ................................................................................................ 24
3.2.6 Phương pháp thực Phương pháp mã hóa sơ đồ định hướng (CompCode)
............................................................................................................................ 33
3.2.7 Phương pháp nhị phân hóa sơ đồ mã hóa định hướng (BOCV) .......... 38
3.3 n di n lòng bàn tay s d l n
. Phương pháp nhậ ệ ử ụng đặc trưng về hướng và độ ớ
c ng vân.................................................................................................... 41
ủ ờ
a đư
3.3.1.Trích xu ng vân c a lòng bàn tay b ng phép bi i sóng
ất đặc tính đườ ủ ằ ến đổ
Gabor.................................................................................................................. 41
3.3.2. Phương pháp đối sánh ảnh để nh n di i t
ậ ện ngườ ừ hai sơ đồ mã hóa nh n
ậ
được.................................................................................................................... 47
CHƯƠNG 4. TRIỂ Ế Ả Ự Ệ
N KHAI VÀ K T QU TH C NGHI M..................... 49
4.1. Tri n khai th phát hi n lòng bàn tay tr p. ...................................... 49
ể ực tế ệ ực tiế
4.2. Tri n khai th n nh n d ng lòng bàn tay................ 52
ể ực tế và các bước thực hiệ ậ ạ
4.2.1 T p data Palm Print tham kh o. ........................................................... 52
ậ ả
4.2.2 T p data Palm Print t p............................................................ 52
ậ ự thu thậ
4.3 Tri n khai h ng trên Google Colaboratory .............................................. 53
ể ệ thố
4.3.1 T x ng Palm Print s d ng công c Google Colab...... 53
ố ộ
c đ ử lý hệ thố ử ụ ụ
4.3.2 K t qu c nghi c trên Google Colab............................... 54
ế ả thự ệm thu đượ
4.3.3 H ng thu th p d u và ki ................................................. 55
ệ thố ậ ữ liệ ểm thử
4.3.4 Ki t qu c nh lòng bàn tay tr
ểm tra, đánh giá kế ả ủa phương pháp xác đị ực
tiếp...................................................................................................................... 56
4.3.5. Ki n di n lòng bàn tay .......................... 61
ể ậ
m tra, đánh giá quá trình nh ệ
K NG PHÁT TRI N........................................................ 65
ẾT LUẬN VÀ HƯỚ Ể
TÀI LIỆ Ả
U THAM KH O ................................................................................. 67

8. DANH MỤ Ẽ
C HÌNH V
Hình 1.1 Các h ng nh n di m sinh h c .................... 1
ệ thố ậ ện người qua các đặ ể
c đi ọ
Hình 1.2 Các đặc điểm trên lòng bàn tay.............................................................. 2
Hình 1.3 H ng nh n di ............................ 3
ệ thố ậ ện lòng bàn tay người trong thực tế
Hình 1.4 ng c
Ảnh hưở ủa góc xoay đế ệ ậ ạ
n vi c nh n d ng lòng bàn tay .................. 3
Hình 1.5 ng d ng trong các tr m rút ti n t ng (ATM) ................................. 4
Ứ ụ ạ ề ự độ
Hình 2.1 Minh họa các bước c a thu t toán trích xu t ROI. (a): nh
ủ ậ ấ ả chụp lòng bàn
tay; (b) c l ng bao c
ảnh đượ ấy ngưỡng; (c) đườ ủa lòng bàn tay; (d): xác định được
tiế ế ủ ả ố ệ ọa độ; (e): ROI đặ ả ố
p tuy n c a các kho ng tr ng và h t t trên nh g c; (f): hình
ảnh trong vùng ROI đượ ắ ệ ử
c c t ra cho vi c x ..................................................... 6
lý
Hình 2.2 c ki m tra s i màu lòng bàn tay theo nh p tim ............ 8
Các bướ ể ự thay đổ ị
Hình 2.3 So sánh tín hi ng v sáng c nh lòng
ệu tương ứ ới sự thay đổi cường độ ủa ả
bàn tay th c và nh gi . (a): tín hi u th c t m t t p các hình nh có s
ự ả ả ệ ực thu đượ ừ ộ ậ ả ự
hi n di n c nh danh. (b): tín hi u gi t t p các hình nh in ra c
ệ ệ ủa người đượ ị
c đ ệ ả ừ ậ ả ủa
người đó. ................................................................................................................ 8
Hình 3.1 Biể ễ ậ
u di n ma tr n ............................................................................. 11

Hình 3.2 Chuyển đổi sang vectơ ......................................................................... 11
Hình 3.3 Bi u di n tính ma tr n hi ............................................... 12
ể ễ ậ ệp phương sai
Hình 3.4 Tính độ ủ
dài c a vectơ........................................................................... 14
Hình 3.5 M t s m
ộ ố ẫu ảnh lòng bàn tay và các Eigenpalm được t o t các m u này.
ạ ừ ẫ
.............................................................................................................................. 15
Hình 3.6 Mộ ẫ ảnh lòng bàn tay và Fisherpalm đượ
t m u c tạ ừ ẫ
o ra t m u này...... 17
Hình 3.7 Minh họ ộ ẫ
a tính toán trên m t hình vuông m u 3x3............................... 18
Hình 3.8 Các dấ ệ ụ ể đượ ệ
u hi u c th c phát hi n ..................................................... 19
Hình 3.9 Vùng c c b 9×9 v r ng là 1 pixel
ụ ộ ới các góc định hướng iπ/6, độ ộ 
............................................................................................................................ ..21
Hình 3.10 Vùng c c b 14×14 v
ụ ộ ới các góc định hướng iπ/6, độ r ng là 2 pixel
ộ 
.............................................................................................................................. 21
Hình 3.11. a): ảnh ROI, b): sơ đồ mã hóa định hướ ử ụ
ng s d ng LRT ................. 22

9. Hình 3.12 a) ~ c) : đối sánh pixel to pixel, pixel to cross-shape và pixel to area 23
…
Hình 3.13.Sơ đồ ố ề ậ ạ ự ộ ả
kh i v nh n d ng lòng bàn tay d a trên b mô t LMTrP..... 25
Hình 3.14 Framework nhậ ạ ự
n d ng lòng bàn tay d a trên bộ ả
mô t LMTrP......... 25
Hình 3.15 Đặc tính về độ rộng và đặc tính về hướng thu được t b l c Gabor 26
ừ ộ ọ ….
Hình 3.16 Đạ ắc LMTrP theo phương ngang và phương dọ
o hàm theo quy t c... 27
Hình 3.17 Bốn hướ ế ủ
ng tham chi u c a LMTrP ................................................... 27
Hình 3.18 Kết quả sau khi mã hóa theo hướ ế
ng tham chi u ................................ 28
Hình 3.19 Hình ả ẫ ị phân đượ
nh 12 m u nh c tạ ừ hướ ế
o thành t 4 ng tham chi u... 29
Hình 3.20 Các bướ ấ ểu đồ
c trích xu t và tính toán bi .......................................... 29
Hình 3.21 Kết quả ủ ệ
c a vi c tính toán biểu đồ..................................................... 30
Hình 3.22 Ví d v s d
ụ ề ử ụng Kernel PCA để phân tách d u m t cách tuy n tính
ữ liệ ộ ế
.............................................................................................................................. 31
Hình 3.23 K t qu sau khi s d gi
ế ả ử ụng Kernel PCA để ảm kích thước vector đặc
trưng ..................................................................................................................... 31
Hình 3.24 Kết quả ủ ất đặc trưng sử ụ ả
c a quá trình trích xu d ng mô t .... 31
LMTrP
Hình 3.25 a)~d) Hình ảnh ROI, e)~h) sơ đồ mã hóa định hướng....................... 35
Hình 3.26 a), b) minh h a lòng bàn tay l ch kh i tr c, c), d) là mask c a a) và b)
ọ ệ ỏ ụ ủ
.............................................................................................................................. 36
Hình 3.27 Vector BOCV với các hướng θ = 0, π/6, π/3, π/2, 2π/3, 5π/6............ 39
Hình 3.28 K t qu phép bi i Gabor v
ế ả ến đổ ới các hướng θ = 0, π/6, 2π/6, 3π/6, 4π/6,
5π/6……………………………………………………………………………...42
Hình 3.29 Hình ảnh ROI (a)~(d) và sơ đồ mã hóa định hướng tương ứng (e)~(h)..44
Hình 3.30 Hình r
ảnh ROI (a)~(d) và sơ đồ mã hóa độ ộng tương ứ ….4
ng (e)~(h) 6
Hình 4.1 Sơ đồ ổ ể ủ …………………………..4
t ng th c a bài toán……………….. 9
Hình 4.2 Các khung hình c a m
ủ ột video được tách ra …………………………..49
Hình 4.3 Hệ thống thu thập dữ liệu và kiểm thử…………………………………55
Hình 4.4 Kết quả đo nhịp tim dựa vào sự thay đổi màu sắc trên da lòng bàn tay của
đối tượng số 1…………………………………………………………….……...56

10. Hình 4.5 Kết quả đo nhịp tim dựa vào sự thay đổi màu sắc trên da lòng bàn tay của
đối tượng số 2……………………………………………………………...…….57
Hình 4.6 Kết quả đo nhịp tim dựa vào sự thay đổi màu sắc trên da lòng bàn tay của
đối tượng số 3…………………………………………………………………....57
Hình 4.7 Kết quả đo nhịp tim dựa vào sự thay đổi màu sắc trên da lòng bàn tay của
đối tượng số 4……………………………………………………………………58
Hình 4.8 Kết quả đo nhịp tim dựa vào sự thay đổi màu sắc trên da lòng bàn tay của
đối tượng số 5………………………………………………………………...….58
Hình 4.9 Kết quả đo nhịp tim của đối tượng giả mạo số 1………………………59
Hình 4.10 Kết quả đo nhịp tim của đối tượng giả mạo số 2……………………..59
Hình 4.11 Kiểm tra hệ thống khi có ít ánh sáng môi trường………………….…61
Hình 4.12 Kiểm tra hệ thống khi có thêm ánh sáng môi trường…………………61
Hình 4.13 Kiểm tra hệ thống trong điều kiện xoay góc nhỏ ……………………..62
Hình 4.14 Kiểm tra hệ thống trong điều kiện ngón tay bị xoay góc lớn…………63
Hình 4.15 Kiểm tra đối tượng không thuộc cơ sở dữ liệu…………………….…63

11. DANH MỤC BẢNG BIỂU
B ng 3.1
ả Định nghĩa phép logic AND 
  

B ng 3.2
ả Định nghĩa phép logic XOR 
 
Bảng 4.1 Nhịp tim nghỉ ngơi theo tuổi cho nam giới
Bảng 4.2 Nhịp tim nghỉ ngơi theo tuổi cho nữ giới
B ng 4.3
ả Cấu hình phần cứng Google Colab cung cấp
B ng 4.4 3
ả So sánh tốc độ xử lý phương pháp
B ng 4.5 3
ả So sánh kết quả thực nghiệm của phương pháp
Bảng 4.6 Kết quả đánh giá phát hiện lòng bàn tay trực tiếp
Bảng 4.7 Kết quả đánh giá nhận diện lòng bàn tay

12. DANH MỤC TỪ VIẾT TẮT, KÝ HIỆU
PC Personal Computer Máy tính cá nhân
CPU Central Processing Unit Bộ xử lý trung tâm
GPU Graphics Processing Unit Bộ xử lý đồ họa
RAM Random Access Memory Bộ nhớ truy cập ngẫu nhiên
ROI Region Of Interest Vùng quan tâm
BSS Blind Source Separation Kỹ thuật tách nguồn mù
ICA Independent Component Analysis Phân tích thành phần độc lập
FPS Frame Per Second Số khung hình trên giây
PCA Principal Component Analysis Phân tích thành phần chính
LDA Linear Discriminant Analysis Phân tích phân biệt tuyến tính
KPCA Kernel Principal Components
Analysis
Phân tích thành phần chính hạt nhân
LBPH Local Binary Patterns Histograms Biểu đồ tần suất các mẫu nhị phân cục
bộ
LMTrP Local Micro-structure Tetra
Pattern
Mô hình Tetra cấu trúc vi mô cục bộ
ATM Automatic Teller Machine Trạm rút tiền tự động
FPS Frame Per Second T l khung h nh trong m t giây
 ệ ì ộ
BPM Beats Per Minute Số nhịp tim trong một phút
BOCV Binary Orientation Co-occurrence
Vector
Nhị phân hóa sơ đồ mã hóa định hướng
CSDL Cơ sở dữ liệu

13. LỜI NÓI ĐẦU
Nhận dạng hay nhận biết một đối tượng thông qua các giác quan là một đặc
điểm hết sức quan trọng của con người. Nó giúp chúng ta phân biệt được các sự
vật hiện tượng và cảm nhận được thế giới thiên nhiên cũng như mọi người xung
quanh.
Hiện nay, cùng với sự phát triển của xã hội, vấn đề an ninh bảo mật đang
được yêu cầu khắt khe tại mọi quốc gia trên thế giới. Các hệ thống nhận dạng con
người được ra đời với độ tin cậy ngày càng cao. Các giải pháp sinh trắc học dựa
trên lòng bàn tay của con người đã được nghiên cứu rộng rãi. Lòng bàn tay của
con người chứa các đặc điểm cấu trúc đặc biệt, chẳng hạn như các đường vân, các
điểm nhỏ và các mẫu kết cấu. Các tính năng này có khả năng sở hữu các đặc điểm
phân biệt và tương đối phù hợp để xác định một cá nhân từ những người khác. Lấy
ví dụ một cặp song sinh, tuy có cùng thông tin di truyền, mô hình vân lòng bàn tay
(palmprint) m
của ỗi người lại có tính phân biệt. Hơn nữa, so với các phương thức
sinh trắc học truyền thống khác (ví dụ như khuôn mặt, mống mắt, dấu vân tay,
v.v.), nhận dạng lòng bàn tay người cũng có ưu điểm nổi bật là chi phí thấp, có
tính riêng tư, mà vẫn đảm bảo độ chính xác cao và thân thiện với người dùng. Với
sự phát triển mạnh mẽ của ngành khoa học máy tính tạo ra môi trường thuận lợi
cho bài toán nhận diện lòng bàn tay từ ảnh số. Một số hệ thống nhận diện đã ra đời
với độ tin cậy cao.
Nhận diện lòng bàn tay người là một trong những vấn đề được khoa học thế
giới nghiên cứu và phát triển, nó có rất nhiều ứng dụng trong thực tế cuộc sống
cũng như trong khoa học công nghệ. Bên cạnh đó, ưu điểm của nhận diện lòng bàn
tay là nó có tính bảo vệ quyền riêng tư con người hơn so với khuôn mặt…Đó là lý
do để em quyết định lựa chọn đề tài “ ng dụng trí tuệ nhân tạo vào
Nghiên cứu ứ
bài toán nhận dạng lòng bàn tay người ” cho luận văn tốt nghiệp.
Mục tiêu trong luận văn này của em là nghiên cứu ứng dụng trí tuệ nhân tạo
vào bài toán nhận dạng lòng bàn tay người.
Chương 1: Tổng quan về nhận dạng lòng bàn người
Chương 2: Phương pháp xác định người trực tiếp qua ảnh lòng bàn tay
Chương 3: Phương pháp nhận diện lòng bàn tay người

14. Chương 4: Triển khai và kết quả thực nghiệm
Mặc dù đã nỗ lực tìm hiểu, triển khai thực hiện để hoàn thành đề tài này
nhưng khó tránh khỏi những thiếu sót, kính mong thầy, cô góp ý để đề tài của em
có thể hoàn thiện hơn.
Em xin chân thành cảm ơn!

15. 1
CHƯƠNG 1. TỔNG QUAN VỀ NHẬN DẠNG LÒNG BÀN TAY NGƯỜI
1.1. bàn
Giới thiệu về bài toán nhận diện lòng tay
Gần đây, sinh trắc học đã nổi lên như một công nghệ đáng tin cậy để cung
cấp mức độ bảo mật cao hơn cho hệ thống xác thực cá nhân. Trong số các đặc điểm
sinh trắc học khác nhau có thể được sử dụng để nhận biết một người, bàn tay con
người là hình thức công nghệ sinh trắc học lâu đời nhất và có lẽ là thành công
nhất. Các tính năng có thể được trích xuất từ bàn tay bao gồm hình học bàn tay,
dấu vân tay, lòng bàn tay, đốt ngón tay. Những tính chất tay là ổn định và đáng tin
cậy. Khi một người đã đến tuổi trưởng thành, cấu trúc và cấu hình bàn tay vẫn
tương đối ổn định trong suốt cuộc đời của người đó. Ngoài ra, công nghệ quét tay
thường được coi là không xâm lấn so với các hệ thống quét mống mắt hoặc võng
mạc. Người dùng không cần phải nhận thức về cách họ tương tác với hệ thống.
Đặc biệt, ưu điểm của nhận diện lòng bàn tay là nó có tính bảo vệ quyền riêng tư
con người hơn so với khuôn mặt,… Những lợi thế này đã tạo điều kiện thuận lợi
cho việc triển khai các đặc tính của tay trong các ứng dụng sinh trắc học.
Hình 1.1 Các hệ thống nhận diện người qua các đặc điểm sinh học
Hiện nay, hầu hết các thiết bị thu nhận tay đều dựa trên thiết kế dựa trên
cảm ứng. Người dùng được yêu cầu chạm vào thiết bị hoặc giữ một số chốt hướng
dẫn hoặc ngoại vi để chụp ảnh bàn tay của họ. Ba loại mô hình đường được nhìn
thấy rõ ràng trên lòng bà Những mẫu đường này được gọi là đường chính,
n tay.
nếp nhăn và đường vân. Đường chính là đường dài nhất, đậm nhất và rộng nhất
trên lòng bàn tay. Các đường chính đặc trưng cho các tính năng dễ phân biệt nhất
trên lòng bàn tay. Hầu hết mọi người có ba đường chính, được đặt tên là đường
tình yêu, đường trí tuệ và đường sinh mệnh như trên H Nếp nhăn được coi
ình 1.2.

16. 2
là các mẫu đường mỏng hơn và không đều. Các nếp nhăn, đặc biệt là các nếp nhăn
rõ rệt xung quanh các đường chính, cũng có thể đóng góp cho việc phân biệt của
dấu bàn tay. Mặt khác, các đường vân là kết cấu đường mảnh phân bố khắp bề mặt
lòng bàn tay.
Hình 1.2 Các đặc điểm trên lòng bàn tay
Khi hình ảnh bàn tay của họ được chụp, các vùng quan tâm (ROI) của lòng
bàn tay sẽ được trích xuất. ROI chứa thông tin quan trọng của bàn tay được sử
dụng để nhận dạng. ROI được xử lý trước để kết cấu lòng bàn tay có thể phân biệt
được với nền. Sau đó, các tính năng phân biệt trong ROI có thể được trích xuất
bằng cách sử dụng các kỹ thuật khác và các thuật toán đa dạng được áp dụng để
xác định, nhận diện lòng bàn tay đó là ai, nhóm người quan tâm nào theo từng yêu
cầu cụ thể của mỗi bài toán. Hình 1.3 minh họa một hệ thống nhận diện lòng bàn
tay người trong thực tế.

17. 3
Hình 1.3 Hệ thống nhận diện lòng bàn tay người trong thực tế
1.2. Những khó khăn và thách thức trong bài toán nhận diện lòng bàn tay
Bài toán nhận diện lòng bàn tay người cũng không phải là vấn đề mới. Tuy
nhiên, đây là một bài toán khó nên những nghiên cứu hiện tại vẫn chưa đạt được
kết quả mong muốn. Có thể kế đến những khó khăn của bài toán nhận lòng bàn tay
người như sau:
● Góc chụp: Ảnh chụp lòng bàn tay có thể thay đổi rất nhiều bởi góc chụp
giữa camera và bàn tay như ở Hình 1.4 Chẳng hạn như: chụp thẳng, chụp
.
chéo bên trái, bên phải ở các góc khác nhau…).
● Điều kiện của ảnh: Ảnh được chụp trong các điều kiện khác nhau về chiếu
sáng, về tính chất camera (máy kỹ thuật số, máy ảnh hồng ngoại …) ảnh
hưởng rất nhiều đến chất lượng ảnh lòng bàn tay.
Hình 1.4 Ảnh hưởng của góc xoay đến việc nhận dạng lòng bàn tay

18. 4
1.3. Các ứng dụng của bài toán nhận diện lòng bàn tay
Ứng dụng của bài toán nhận diện lòng bàn tay có rất nhiều và đã được triển
khai rất hiệu quả trong thực tế. Có thể kể đến một số ứng dụng điển hình sau đây:
● Ứng dụng trong các trạm rút tiền tự động (ATM , ví dụ như ở Hình 1.5
) .
● Ứng dụng trong việc điều tra tội phạm trong các vụ án để lại dấu lòng bàn
tay. Ngoài ra nó còn được dùng cho các cuộc điều tra khủng bố hoặc các sự
kiện đặc biệt cần có dấu bàn tay để nhận dạng.
● Bảo mật: Các ứng dụng về bảo mật rất đa dạng, một trong số đó là công
nghệ nhận diện lòng bàn tay. Công nghệ này cho phép người dùng có thể
đăng nhập hoặc truy cập vào một thiết bị hoặc một ứng dụng nào đó thay
cho việc dùng Password như thông thường.
● Các ứng dụng khác:
- Điều khiển vào ra ở nhà ở, văn phòng, công ty … Kết hợp thêm với
nhận diện khuôn mặt cho phép chủ nhà, nhân viên ra vào, điểm danh.
Hình 1.5.Ứng dụng trong các trạm rút tiền tự động (ATM)

19. 5
CHƯƠNG 2. PHƯƠNG PHÁP XÁC ĐỊNH LÒNG BÀN TAY TRỰC TIẾP
2.1. Cơ sở lý thuyết xác định lòng bàn tay
2.1.1. quan tâm (ROI)
Cơ sở lý thuyết và thuật toán trích xuất vùng
Để có được hình ảnh lòng bàn tay, người dùng thường được yêu cầu chạm
hoặc để sát tay vào thiết bị ngoại vi/camera để chụp ảnh bàn tay của họ a loại
. B
mô hình có thể được nhìn thấy rõ ràng trên lòng bàn tay là đường chính, nếp nhăn,
và đường vân. Đường chính là đường dài nhất, đậm nhất và rộng nhất trên lòng
bàn tay, đặc trưng cho các tính năng dễ phân biệt nhất trên lòng bàn tay. Nếp nhăn
được coi là các mẫu đường mỏng hơn và không đều. Các nếp nhăn, đặc biệt là các
nếp nhăn rõ rệt xung quanh các đường chính, cũng có thể đóng góp cho việc phân
biệt của dấu bàn tay. Các đường vân là kết cấu đường mảnh phân bố khắp bề mặt
lòng bàn tay. Khi hình ảnh bàn tay được chụp, các vùng quan tâm (ROI) của lòng
bàn tay sẽ được trích xuất. ROI chứa thông tin quan trọng của bàn tay được sử
dụng để nhận dạng. ROI được xử lý trước để kết cấu lòng bàn tay có thể phân biệt
được với nền. Sau đó, các tính năng phân biệt trong ROI có thể được trích xuất
bằng cách sử dụng các kỹ thuật khác và các thuật toán đa dạng được áp dụng để
xác định, nhận diện lòng bàn tay đó là ai, nhóm người quan tâm nào theo từng yêu
cầu cụ thể của mỗi bài toán.
Việc xác định vùng quan tâm (ROI) từ hình ảnh lòng bàn tay là bước đầu để
trích xuất các đặc tính và so khớp tính để định danh đối tượng. Việc này có thể
giảm lượng dữ liệu trong trích xuất và việc khớp tính các đặc tính. Đồng thời cũng
giảm ảnh hưởng của việc xoay và dịch của lòng bàn tay do quá trình trích xuất này
được hỗ trợ bởi việc bàn tay sẽ được cố định bởi 3 cọc quy định sẵn. Người dùng
cần đặt tay vào đúng vị trí đã được quy định trước bởi các cọc này.
Các bước chính của thuật toán trích xuất ROI được minh họa trên Hình 2.1. Sau
khi có hình ảnh lòng bàn tay, một bộ lọc thông thấp, ví dụ như Gaussian làm mịn
hình ảnh gốc với một ngưỡng được sử dụng để chuyển đổi hình ảnh thành hình
ảnh nhị phân. Tiếp đó, đường bao của các khoảng trống giữa các ngón tay được
xác định.

20. 6
Hình 2.1 Minh họa các bước của thuật toán trích xuất ROI. (a): ảnh chụp lòng bàn tay; (b) ảnh
được lấy ngưỡng; (c) đường bao của lòng bàn tay; (d): xác định được tiếp tuyến của các khoảng
trống và hệ tọa độ; (e): ROI đặt trên ảnh gốc; (f): hình ảnh trong vùng ROI được cắt ra cho việc
xử lý
Hình 2.1 Minh họa các bước của thuật toán trích xuất ROI. (a): ảnh chụp lòng bàn
tay; (b) ảnh được lấy ngưỡng; (c) đường bao của lòng bàn tay; (d): xác định được
tiếp tuyến của các khoảng trống và hệ tọa độ; (e): ROI đặt trên ảnh gốc; (f): hình
ảnh trong vùng ROI được cắt ra cho việc xử lý.
Trong đó đường bao của khoảng cách giữa ngón đeo nhẫn và ngón giữa không
được trích xuất vì nó không hữu ích cho quá trình xử lý sau. Từ hình ảnh đường
bao, ta tính toán tiếp tuyến của hai khoảng trống và tìm hệ tọa độ của ROI. Bước
cuối cùng là trích xuất ROI có kích thước cố định dựa trên hệ tọa độ, sau đó cắt
riêng vùng ảnh chỉ chứa ROI đó. Việc so khớp hình ảnh các lòng bàn tay với nhau
nhạy cảm với sự xoay dịch vì vậy việc trích xuất vùng ROI bằng cách trên là cần
thiết để giúp quá trình nhận dạng về sau được chính xác hơn (được tham khảo từ
bài báo số [23]).
2.1.2. Thuật toán trích xuất ROI
Bước 1. Áp dụng bộ lọc thông thấp, chẳng hạn như Gaussian làm mịn hình ảnh
gốc, ( , )
O x y . Một ngưỡng Tp được sử dụng để chuyển đổi hình ảnh thành hình ảnh
nhị phân, ( , )
B x y , như trong Hình 2.1b.
Bước 2. Lấy đường bao của các khoảng trống, ( , ),(i 1,2)
i j i j
F x F y  giữa các ngón
tay bằng thuật toán theo dõi đường bao ( ình 2.1c). Đường bao của khoảng cách
H
giữa ngón đeo nhẫn và ngón giữa không được trích xuất vì nó không hữu ích cho
quá trình xử lý sau.
Bước 3. Tính toán tiếp tuyến của hai khoảng trống. Đặt 1 1
( , )
x y và 2 2
( , )
x y là điểm
bất kì trên 1 1
(F ,F )
j j
x y và 2 2
(F ,F )
j j
x y tương ứng. Nếu đường thẳng y mx c
  đi
(a) (b) (c)
(d) (f)
(e)

21. 7
qua hai điểm này thỏa mãn bất đẳng thức Fi j i j
y mF x c
  Hình
với mọi i và j (
2.1d), thì đường thẳng y mx c
  được coi là tiếp tuyến của hai khoảng trống.
Bước 4. Lấy đường thẳng đi qua 1 1
( , )
x y và 2 2
( , )
x y để lấy trục Y của hệ tọa độ
palmprint và sử dụng một đường thẳng đi qua trung điểm của hai điểm này, vuông
góc với trục Y, để xác định gốc của hệ tọa độ (Hình 2.1d).
Bước 5. Trích xuất ROI có kích thước cố định dựa trên hệ tọa độ. Hình ảnh thay
thế được đặt tại một khu vực nhất định của hình ảnh palmprint để trích ROI (Hình
2.1e và 2.1f).
Việc so khớp hình ảnh 2 lòng bàn tay với nhau nhạy cảm với sự xoay dịch vì vậy
việc trích xuất vùng ROI bằng cách trên là cần thiết để giúp quá trình nhận dạng
về sau được chính xác hơn.
2.2. Phương pháp xác định lòng bàn tay trực tiếp
Để tăng tính bảo mật cho một hệ thống yêu cầu quyền truy nhập, hệ thống
nhận diện phải có khả năng từ chối sử dụng bản sao của sinh trắc học lòng bàn tay
(từ bức ảnh, video, bản in 3D…) thay vì sinh trắc học trực tiếp. Chức năng này gọi
là phát hiện lòng bàn tay trực tiếp. Trong nghiên cứu này, chúng tôi đề xuất giải
pháp để cung cấp tính năng bảo mật cho hệ thống nhận diện lòng bàn tay bằng
phương pháp kiểm tra sự thay đổi màu sắc trên lòng bàn tay. Từ sự thay đổi cường
độ ánh sáng thu được ta có thể xác định được đó là người thật hay không.
Dựa vào nguyên lý của sự thay đổi lưu lượng máu trên các bộ phận cơ thể trong
chu kỳ tuần hoàn, ta có thể xác định đầu vào của các hình ảnh đưa vào hệ thống
nhận dạng lòng bàn tay có phải là từ người thật hay không. Những thay đổi phảng
phất về màu sắc vùng da trên lòng bàn tay là sự đại diện đồng thời với sự thay đổi
của nhịp tim. Chính vì thế để xác định một lòng bàn tay người thật ta phải xét thay
đổi cường độ màu điểm ảnh của vùng da lòng bàn tay theo thời gian. Đối với mắt
thường, chúng ta rất khó có thể nhận ra được những sự thay đổi nhẹ đó, nhưng với
camera độ phân giải cao cùng với trợ giúp của máy tính thì việc đó hoàn toàn khả
thi. Hình 2.2 mô tả thuật toán thực hiện kiểm tra sự thay đổi màu sắc lòng bàn tay
theo nhịp tim. Trước hết mỗi một lòng bàn tay tương ứng với một khu vực quan
tâm chính, từ đó thu thập tín hiệu thô từ các kênh màu RGB (màu đỏ, xanh lục,
xanh lam). Tại các vùng quan tâm ROI, ta thực hiện tính giá trị trung bình về cường

22. 8
độ sáng của tất cả các điểm ảnh trên cả ba kênh màu đặc trưng. Bằng cách tính
toán từ phép đếm các điểm cao nhất của tín hiệu trong khoảng thời gian trên, ta có
thể tính được nhịp tim trung bình trên các kênh. Để kiểm chứng, trong khoảng thời
gian thu thập hình ảnh lòng bàn tay, ta cũng đồng thời đo nhịp tim của đối tượng
bằng cảm biến đo nhịp tim.
Để minh họa sự khác biệt về hình ảnh nhịp tim khi tính toán từ hình ảnh lòng
bàn tay trực tiếp và hình ảnh giả, ta xét một trường hợp so sánh trên Hình 2.3.
Trong minh họa này,
Hình 2.2.Các bước kiểm tra sự thay đổi màu lòng bàn tay theo nhịp tim
chúng tôi thu thập một chuỗi các hình ảnh đầu vào có chứa vùng lòng bàn tay của
đối tượng quan tâm với một đoạn video độ dài 10 giây từ Camera với tốc độ ghi là
30 khung hình trên giây (fps-frame per second) và lưu lại như nguồn dữ liệu đầu
vào. Từ Hình 2.3.a ta thấy hình ảnh về sự thay đổi của cường độ sáng trên các kênh
khá tương đồng với chu kỳ của tim, đặc biệt là ở các kênh R và G. Trường hợp
này, từ hình ảnh lòng bàn tay, ta tính được nhịp tim trung bình trên các kênh là 63
nhịp trên phút (bpm), rất gần với nhịp tim của đối tượng, 65 bpm, khi đo bằng cảm
biến nhịp tim.
Hình 2.3. So sánh tín hiệu tương ứng với sự thay đổi cường độ sáng của ảnh lòng bàn tay thực
và ảnh giả. (a): tín hiệu thực thu được từ một tập các hình ảnh có sự hiện diện của người được
định danh. (b): tín hiệu giả từ tập các hình ảnh in ra của người đó.
Từ lòng bàn tay trực tiếp Từ hình ảnh in (giả)
Time (seconds) (b)
Time (seconds) (a)
Kênh B
Kênh B
Kênh G
Kênh G
Kênh R
Kênh R

23. 9
CHƯƠNG 3. PHƯƠNG PHÁP NHẬN DIỆN LÒNG BÀN TAY SỬ DỤNG
ĐẶC TRƯNG VỀ HƯỚNG VÀ ĐỘ LỚN CỦA ĐƯỜNG VÂN
3.1. Thuật toán biến đổi sóng Gabor
Phép biến đổi sóng Gabor được sử dụng rộng rãi từ những năm 1980, là một
công cụ hiệu quả trong những bài toán yêu cầu khai thác, trích xuất đặc tính, đặc
trưng trên khuôn mặt, mống mắt, vân tay, …
Phép biến đổi sóng Gabor có thể đồng thời trích xuất 3 loại thông tin là cường
độ, pha và định hướng, những loại thông tin này có thể sử dụng riêng biệt hoặc sử
dụng đồng thời trong các hệ thống khác nhau.
Trong đề tài này, các phương pháp được trình bày ở mục 3.2 (như mô hình
Tetra cấu trúc vi mô cục bộ, CompCode, BOCV hay ImcompCode & MagCode)
đều sử dụng phép biến đổi Gabor để trích xuất đặc trưng. Công thức Gabor (đề cập
bởi bài báo số ) được cấu thành từ hàm Gaussian nhân với hàm sin(cos) được
[11]
trình bày một cách tổng quan như sau:
󰇛
  
 
󰇜







󰇡
󰆓

󰆓

󰇢
󰇛

󰆓
 


󰇜 (3.1)
Với:
󰆒
    (3.2)
󰆒
    (3.3)
Công thức Gabor được biểu diễn dưới dạng số phức, bao gồm hai phần là
phần thực và phần ảo. Mặt khác, ta có công thức Euler như sau:


 
󰇛

󰇜 󰇛󰇜 (3.4)
Từ phương trình và phương trình ta có thể biểu diễn phần thực
(3.1) (3.4)
của phép biến đổi sóng Gabor theo công thức sau:
󰇛
  
 
󰇜







󰇡
󰆓

󰆓

󰇢
󰇛 
󰇛

󰆒
󰇜  


󰇜 (3.5)
và phần ảo của phép biến đổi sóng Gabor được biểu diễn như sau:

󰇛
  
 
󰇜








󰇡
󰆓

󰆓

󰇢
󰇛
󰇛

󰆒
󰇜  


 󰇜 (3.6)
Các thành phần trong phương trình bao gồm:
(3.5)

24. 10
'
x là tích vô hướng của vector (x,y) và vector ( , )
Oa cos sin
 
 .
Tương tự, '
y là tích vô hướng của vector (x,y) và vector ( , )
Ob sin cos
 
  .
Nhận xét rằng: 2 vector Oa và Obvuông góc với nhau (có tích vô hướng bằng
1). Như vậy có thể hiểu rằng ' '
( , )
x y chính là điểm (x,y) sau khi đã được biến đổi
từ hệ tọa độ gốc sang hệ tọa độ mới
Oxy '
O xy với Oa và Ob chính là hai vector
đơn vị. Khi 0
  thì ' '
,
x x y y
  , hệ tọa độ '
O xy Oxy
 .
0
 là tần số xuyên tâm tính theo đơn vị radian trên một đơn vị chiều dài.
 là góc định hướng của phép biến đổi sóng Gabor, tính theo đơn vị radian.
 là một hằng số, được lựa chọn tùy thuộc vào băng thông tần số của hệ
thống.
3.2. Một số phương pháp trích xuất đặc trưng lòng bàn tay điển hình
3.2.1 Eigenpalms
Khái niệm Eigenfaces được sử dụng rộng rãi trong nhận dạng khuôn mặt. Được
công bố với nhiều phiên bản (Turk & Pentland, 1991) (Jaiswal, Gwalior, &
Gwalior, 2011) (Morizet, Ea, Rossant, Amiel, & Amara, 2006) là một phương pháp
để thực hiện nhận diện khuôn mặt dựa trên phương pháp thống kê được đề cập
(
bởi bài báo số . Mục đích của phương pháp này là trích xuất các thành phần
[2])
chính ảnh hưởng nhiều nhất đến sự biến đổi của hình ảnh. Phương pháp này cũng
cung cấp các đặc điểm tốt để nhận dạng palmprint (lòng bàn tay). Những hình ảnh
palmprint gốc được sử dụng trong đào tạo được chuyển thành một tập nhỏ của hình
ảnh tính năng đặc trưng, gọi là ‘‘eigenpalms’’ (được đề cập bởi bài báo số . Đó
[3])
là những vector riêng của tập huấn luyện. Sau đó, việc trích xuất các đặc trưng
được thực hiện bằng cách chiếu một hình ảnh palmprint mới vào không gian con
tạo bởi những ‘‘eigenpalms’’.
Thông thường một hình ảnh palmprint được mô tả như là một mảng hai
chiều . Trong phương pháp eigenspace, điều này có thể được định nghĩa là
một vectơ có độ dài N2, được gọi là vectơ lòng bàn tay. Hình ảnh palmprint được

25. 11
cố định với độ phân giải 128x128, do đó có thể thu được một vectơ, đại diện cho
một điểm duy nhất trong không gian 16.384 chiều.
Các bước chính của hệ thuật toán nhận diện lòng bàn tay Eigenpalms:
Bước 1: Chuyển đổi các ảnh sang ma trận:
Mỗi pixel của một ảnh đại diện cho một con số. Do đó, chúng ta có thể dễ
dàng biểu diễn chúng thành một ma trận như trong Hình 3.1 trong đó mỗi
NxN
thành phần của ma trận là một pixel. Mỗi hình ảnh từ dữ liệu huấn luyện trở thành
một ma trận 1 2
( , ,..., )
i m
I I I I , trong đó m là số lượng hình ảnh.
Hình 3.1 Biểu diễn ma trận 

Bước 2: Chuyển đổi ma trận vào vectơ
Một ma trận là một không gian có số chiều lớn, vectơ thì biểu diễn không
gian chiều thấp hơn ma trận. Do đó mỗi hàng của ma trận i
I sẽ được nối với nhau
rồi chuyển vị để biểu thị một véctơ i
V như ở Hình 3.2.
Hình 3.2. Chuyển đổi sang vectơ
Bước 3: Tính giá trị trung bình của vectơ i
V
1
1 M
i
i
V
M


  (3.7)
Tính tổng của mỗi vectơ i
V sau đó chia cho số lượng hình ảnh ta được giá
trị trung bình là 

26. 12
Bước 4: Tính chênh lệch giữa từng vectơ và giá trị trung bình
i i
V 
   (3.8)
Trừ các giá trị của pixel của hình ảnh cho giá trị trung bình, ta được vectơ
biểu diễn sự chênh lệch i

Bước 5: Tính ma trận hiệp phương sai C
1
1
=AA
M
T T
n n
n
C
M 
  
 (3.9)
Hình 3.3 Biểu diễn tính ma trận hiệp phương sai
Sau đó, hiệp phương sai được tính dựa trên n
 , các vectơ n
 được nhóm
lại để biểu diễn ma trận A. Ma trận hiệp phương sai C được tính bằng cách nhân
ma trận A với ma trận chuyển vị của A gọi là AT
như ở Hình 3.3.
Tính các vectơ riêng và giá trị riêng của ma trận. Mối quan hệ giữa một ma
trận A, các vectơ riêng và các giá trị riêng của nó được biểu diễn với công thức
dưới đây:
Av v

 hoặc ( ) 0
n
A I v

 
Trong đó:
v : vectơ riêng
 : giá trị riêng
n
I : ma trận đơn vị của A
Đầu tiên, chúng ta cần tính các giá trị riêng. Sau đó, các giá trị riêng sẽ được
sử dụng để tính các vectơ riêng.
Công thức sau đây được sử dụng để tính các giá trị riêng:
det( ) 0
n
A I

 

27. 13
Ví dụ với ma trận:
1 3
2 4
A

 
 

 
Số lượng giá trị riêng của A sẽ phụ thuộc vào số hàng của ma trận A.
det( ) 0
n
A I

 
1 3
2 4


 

 
2
3 2 0
 
   
Giải phương trình ta tìm được 2 giá trị riêng là 1 và 2. Sau đó, các vectơ
riêng liên quan đến từng giá trị riêng được tính bằng cách giải phương trình
Av v

 với các giá trị riêng thu được trước đó.
Với giá trị riêng là 1, ta có:
2 3 0
( - ) 0 2 3
2 3 0
x y
A I v x y
x y
  

   

  

Kết quả ta thu được vectơ riêng
2
v   
 
Thực hiện tương tự cho giá trị riêng 2.
Bước 6: Tính các vectơ riêng với các giá trị riêng liên quan
Có hai cách để tính toán các vectơ riêng. Tính các vectơ riêng i
u của T
AA
hoặc các vectơ riêng i
v của T
A A. Cả 2 cách đều trả về các giá trị riêng giống nhau,
và mối quan hệ giữa các vectơ riêng là i i
u Av
 . T
AA đưa ra ma trận 2 2
N N
 trái
ngược với T
A Ađưa ra một ma trận MxM. Thông thường, cách thứ 2 được ưa
chuộng và phổ biến hơn bởi vì số lượng hình ảnh trong tập huấn luyện nhỏ hơn số
lượng pixel. Do đó, nó là nhanh hơn khi thực hiện tính toán. T
A Acó thể có tối đa
M giá trị riêng và vectơ riêng trái với T
AA có thể đạt tới 2
N giá trị riêng và vectơ
riêng. M giá trị riêng đại diện cho các giá trị riêng lớn nhất trong 2
N . Các vectơ
riêng i
u cần được chuẩn hóa bằng 1, 1
i
u  .
Tiêu chuẩn hóa vectơ theo độ dài. Độ dài vec tơ như ở Hình 3.4 được tính
theo định lý Pitago:

28. 14
Hình 3.4 Tính độ dài của vectơ
Bước 7: Xác định K vectơ riêng
Các vectơ riêng M được sắp xếp theo thứ tự giảm dần dựa trên các giá trị
riêng. Chỉ có K vectơ riêng được giữ. K nhỏ hơn M và được quyết định bởi người
sử dụng thuật toán. Tất cả các hình ảnh huấn luyện được đại diện bởi sự tổ hợp của
K vectơ riêng.
1
w ,(w )
K
T
i j j j j i
j
u u

   
 10)
(3.
Trong đó:
K: Số lượng vectơ riêng
j
u : Các vectơ riêng
i
 : vectơ giá trị ảnh i – giá trị trung bình
Mỗi vectơ riêng còn được gọi là lòng bàn tay riêng (eigenpalm) đại diện
cho một phần của mỗi ảnh trong dữ liệu đầu và , như ở Hình 3.5. Một hình ảnh có
o
thể được phân tách thông qua mỗi lòng bàn tay riêng. Mỗi phép chiếu w là một
vectơ đã được tính toán với một hình ảnh và một vectơ riêng. Có K phép chiếu,
trong đó K đại diện cho số vectơ riêng liên quan.
1
2
w
w
, 1,2,...,M
...
w
i
i
k
i
 
 
 
  
 
 
 
 
11)
(3.
1
wi
: Phép chiếu của ảnh thứ i với vectơ riêng chỉ số 1
k: Số lượng vectơ riêng được giữ lại

29. 15
Hình 3.5 Một số mẫu ảnh lòng bàn tay và các Eigenpalm được tạo từ các mẫu này.
Nhận diện lòng bàn tay với bức ảnh chưa biết:
Đầu tiên, chuyển đổi hình ảnh thành 1 vectơ i
V và trừ đi giá trị trung bình
i i
V 
   . Sau đó, vectơ được chiếu vào không gian riêng với
w ,(w )
k
T
j j j j
j
u u
   
 . Không gian riêng chứa tất cả các vec tơ riêng. Tiếp theo,
 được áp dụng qua các lòng bàn tay riêng để có được các phép chiếu.
1
2
w
w
...
w
i
i
i
i
k
 
 
 
   
 
 
 
(3.12)
Bước cuối cùng là tìm hình ảnh trong tập huấn luyện có khoảng cách nhỏ
nhất đến hình ảnh thử nghiệm. o sánh giữa
S  của hình ảnh thử nghiệm và i

trong đó i là các hình ảnh của tập huấn luyện. Lớp của bức ảnh gần nhất chính là
lòng bàn tay người tương ứng với bức ảnh đó.

30. 16
3.2.2 Fisherpalms
Cũng giống như Eigenfaces thì Fisherfaces cũng là một phương pháp cung cấp các
đặc điểm tốt để nhận dạng palmprint (lòng bàn tay). Thay vì sử dụng phương pháp
này cho khuôn mặt thì ta áp dụng cho lòng bàn tay. Fisherfaces (Jaiswal & al.,
2011) (Morizet & al., 2006) (Belhumeur, Hespanha, & Kriegman, 1997) cũng sử
d ( [4])
ụng một cách tiếp cận toàn diện được đề cập bởi bài báo số . Thuật toán này
là một biến cải của Eigenfaces, do đó cũng sử dụng Phân tích thành phần chính
(PCA - Principal Components Analysis). Sự sửa đổi chính là Fisherfaces đưa vào
các lớp xem xét. Như đã đề cập trước đó, Eigenfaces không tạo ra sự khác biệt
giữa hai hình ảnh từ các lớp khác nhau trong phần huấn luyện. Những hình ảnh
palmprint gốc được sử dụng trong đào tạo được chuyển thành một tập nhỏ của hình
ảnh tính năng đặc trưng, gọi là ‘‘fisherpalms’’ (được đề cập bởi bài báo số [5]) như
minh họa ở Hình 3. Mỗi bức tranh bị ảnh hưởng bởi tổng số trung bình.
6.
Fisherpalms sử dụng phương pháp Phân tích phân biệt tuyến tính (LDA - Linear
Discriminant Analysis) (Jaiswal & al., 2011) (Morizet & al., 2006) (Belhumeur &
al., 1997) để tạo sự khác biệt giữa hai hình ảnh từ một lớp riêng biệt (được đề cập
bởi bài báo số . Mục đích là để giảm thiểu biến thể trong một lớp so với biến
[4])
thể giữa các lớp. Không chỉ tổng số trung bình của các lòng bàn tay được sử dụng,
mà trung bình mỗi lớp cũng sẽ là một sự thiết yếu. Giá trị trung bình được tính
theo công thức sau trong đó i
c đại diện cho lớp thứ i và i
q là số lượng hình ảnh
trong lớp c.
1
1 i
i
q
c k
k
i
V
q 
   13)
(3.
Ta cũng thực hiện các phép trừ vectơ riêng cho giá trị trung bình, nhưng lần
này giá trị trung bình của lớp tương ứng được sử dụng.
i
i i c
V
    14)
(3.
Sau đó, các tính các ma trận phân tán. Ma trận phân tán lớp nội bộ được
biểu thị bằng w
S tính theo công thức sau:
w
1
( )( )
i i
k i
c
T
k c k c
i V c
S V V
 
    
  15)
(3.
Ma trận phân tán giữa các lớp được biểu diễn bằng b
S được tính như sau:

31. 17
b
1
( )( )
i i
c
T
i c c
i
S q

      
 6)
(3.1
Công thức tiếp theo được sử dụng để tính tổng ma trận phân tán T
S :
T
1
( )( )
M
T
i i
i
S V V

    
 7)
(3.1
Tiếp theo, mục tiêu là tìm ra một phép chiếu của W nhằm tối đa hóa các
tiêu chí tối ưu hóa của Fisher:
w
w
W W
W arg max
W W
T
b
opt T
S
S
  8)
(3.1
Các vectơ được tìm như sau:
w
S W W , 1,2,...,
b i i i
S i m

  9)
(3.1
Cuối cùng, quá trình còn lại giống như Phân tích thành phần chính (PCA),
hình chiếu của hình ảnh đào tạo sẽ được so sánh với hình chiếu của hình ảnh thử
nghiệm và lớp hình ảnh có khoảng cách nhỏ nhất sẽ là dự đoán lòng bàn tay của
thuật toán.
Hình 3.6 Một mẫu ảnh lòng bàn tay và Fisherpalm được tạo ra từ mẫu này

32. 18
3.2.3 Local Binary Patterns Histograms (LBPH)
Thuật toán Local Binary Patterns Histograms (LBPH) yêu cầu các ảnh xám
cho quá trình huấn luyện. Ngược lại với các thuật toán trên, phương pháp này
không phải là một cách tiếp cận toàn diện. LBPH được công bố bởi (Ahonen,
Hadid, & Pietik, 2004) (Mäenpää, Pietikäinen, & Ojala, 2000) (Wagner, 2011) là
thuật toán quan tâm hoạt động với các khối vuông có kích thức 3x3 pixel (được đề
cập bởi bài báo số . Pixel ở trung tâm sẽ được so sánh với các pixel lân cận.
[6])
Mỗi pixel lân cận có giá trị nhỏ hơn pixel ở giữa thì giá trị 0 sẽ được thêm vào hình
vuông đặt ngưỡng (thresholded square), nếu không, giá trị 1 sẽ được thêm vào.
Hình vuông đặt ngưỡng (thresholded square) và hình vuông trọng số (weights
square) không có trong hình ảnh, chúng chỉ là một đại diện để hiểu quá trình. Khi
hoàn thành tất cả các phép so sánh, mỗi kết quả sẽ được nhân với 1 trọng số. Mỗi
pixel sẽ có một trọng số của lũy thừa 2 từ 0
2 đến 7
2 . Mỗi pixel ở trung tâm của hình
vuông 3x3 có 8 pixel lân cận. Vì 8 pixel này đại diện cho một byte nên đó là lý do
sử dụng các trọng số trên. Các trọng lượng bị ảnh hưởng theo thứ tự vòng tròn.
Không quan trọng việc trọng lượng nào bị ảnh hưởng đến pixel nào, tuy nhiên,
trọng lượng của pixel không thay đổi. Ví dụ: nếu pixel trên cùng bên trái có trọng
số 128, nó sẽ giữ trọng số này cho tất cả các so sánh trong ảnh. Sau đó, tổng trọng
số được tính và trở thành giá trị của pixel ở giữa hình vuông 3x3 như minh họa ở
Hình 3.7.
Hình 3.7 Minh họa tính toán trên một hình vuông mẫu 3x3
Khi quá trình này đã được hoàn thành cho từng phần của bức ảnh, bức ảnh
được chia thành một số khu vực nhất định. Sau đó, một biểu đồ tần suất (histogram)
được trích xuất từ mỗi vùng và tất cả các biểu đồ được nối vào nhau. Để nhận diện

33. 19
lòng bàn tay, thực hiện cùng một quy trình trên cho ảnh đầu vào và biểu đồ cuối
cùng được so sánh với từng biểu đồ trong dữ liệu huấn luyện. Nhãn lòng bàn tay
người liên quan đến biểu đồ gần nhất là dự lòng bàn tay được nhận diện của thuật
toán. Thuật toán này không nhạy cảm với sự biến đổi của độ sáng trên bức hình.
LBPH hiện đã được điều chỉnh theo những cách khác nhau, một trong số
chúng được gọi là LBPH mở rộng (Extended LBPH). Sự mở rộng này sử dụng
vùng lân cận là hình tròn bao gồm bán kính và một số điểm lấy mẫu. Cách tiếp cận
này cho phép một pixel có nhiều hơn 8 pixle lân cận. Tùy thuộc vào bán kính, pixel
ở giữa có thể được so sánh với một số pixel không nằm cạnh nó. Một cách mở
rộng khác được gọi là mẫu giống nhau (uniform pattern). Cách mở rộng này tập
trung chủ yếu vào việc xem xét số lượng chuyển đổi trong byte kết quả. Một sự
chuyển đổi được thể hiện bằng một thay đổi trong byte từ 0 sang 1 hoặc từ 1 thành
0. Ví dụ: 00000001 có một lần chuyển đổi và 00011000 có hai lần chuyển đổi.
Hình 3.8 Các dấu hiệu cụ thể được phát hiện
Các mẫu có số lần chuyển đổi từ 0 đến 2 là phổ biến nhất và các mẫu có ít
hơn hoặc hai lần chuyển tiếp thường có một dấu hiệu cụ thể (phát hiện cạnh, đường
viền…) như ở Hình 3. . Tất cả các biểu đồ tần suất có nhiều hơn hai lần chuyển
8
đổi được tập hợp lại với nhau. Những cách điều trỉnh, thay đổi trên làm cho vectơ
đại diện biểu đồ tần suất nhỏ hơn giúp cải thiện tốc độ tính toán, xử lý.

34. 20
3.2.4 Phương pháp biến đổi Radon trong một vùng cục bộ (LRT)
Phép biến đổi Radon (Radon Transform) trong không gian Euclidean được
Johann Radon thiết lập lần đầu tiên vào năm 1917. Phép biến đổi Radon có thể làm
nổi bật các tính năng tuyến tính bằng cách tích hợp cường độ hình ảnh dọc theo tất
cả các dòng có thể có trong một hình ảnh, do đó nó có thể được sử dụng để phát
trích xuất thông tin định hướng trong hình ảnh.
Localized Radon Transform là phép biến đổi Radon trong một vùng cục bộ,
được thực hiện bằng cách tích hợp cường độ hình ảnh trên một đường hoặc một
đoạn, thay vì dòng như phép biến đổi Radon (được đề cập bởi bài báo số [14]).
Công thức LRT áp dụng lên một hình ảnh ROI với vùng cục bộ 2
q
R được
định nghĩa theo bài báo số như sau:
[21]

  

󰇛

󰇜  󰇟 󰇠
󰇛󰇜

(3.20)
Trong đó:
[ , ]
R x y là tập giá trị pixel (x,y) nằm trong vùng cục bộ 2
q
R .
p
X là tập hợp các điểm cần quan tâm trong vùng cục bộ 2
q
R được định nghĩa
như sau:
  
󰇛
 
󰇜
   
󰇛
  
󰇜    
 (3.21)
Với 0 0
( , )
x y là điểm chính giữa của vùng cục bộ 2
q
R .
{ , 0, 1}
q
R j j q
   , q là kích thước 1 chiều của vùng cục bộ.
p biểu thị độ dốc của tập hợp p
X , ví dụ góc định hướng của tập p
X là 0thì
(0 ) 0
p tan
   .
Bước 1: Lựa chọn thông số cho phép biến đổi Radon cục bộ (LRT)

  

󰇛

󰇜  󰇟 󰇠
󰇛󰇜

(3.22)
Kích thước của vùng cục bộ 2
q
R và chiều rộng của đường p
X có thể được
lựa chọn theo kinh nghiệm tương ứng với chiều rộng của các đường vân lòng bàn
tay quan sát được trong hình ảnh ROI. Một số hình ảnh minh họa với vùng cục bộ
9x9 và 14x14 được minh họa ở Hình 3.9 và 3.10.

35. 21
Trong bài toán cụ thể này, ta lựa chọn:
 Vùng cụ ộ
c b 2
q
R có kích thước 9 9
 pixel.
 Độ ộ
r ng  là 1 pixel.
 S ng là .
ố góc định hướ 6
Hình 3.9 Vùng cục bộ 9×9 với các góc định hướng iπ/6, độ rộng  là 1 pixel
Hình 3.10 Vùng cục bộ 14×14 với các góc định hướng iπ/6, độ rộng 
 là 2 pixel
Bước 2: Trích xuất sơ đồ định hướng sử dụng LRT.
PalmPrintCodes
Sau khi đã lựa chọn thông số cho phép biến đổi Radon cục bộ (LRT), em
sẽ thực hiện áp dụng LRT vào hình ảnh ROI theo từng pixel để trích xuất thông số
định hướng theo công thức sau:
󰇛

 

󰇜 

󰇟
󰇠 (3.23)
Trong đó 0 0
( , )
p x y
 là mã định hướng của pixel 0 0
( , )
x y là điểm chính giữa
của vùng cục bộ 2
q
R . Thao tác này được áp dụng trên toàn bộ các pixel
0 0
( , )
x y ROI
 .
Như vậy với hình ảnh ROI kích thước ta thu được một sơ đồ định
m×n
hướng như sau:
PalmPrintCodes






󰇛󰇜 
󰇛󰇜  
󰇛   󰇜
󰇛󰇜 
󰇛󰇜  
󰇛   󰇜
   
󰇛  󰇜 
󰇛  󰇜  
󰇛     



 (3.24)
Với ( , ) {0,1,2,3,4,5}
p x y
  .

36. 22
Hình ảnh sơ đồ mã hóa định hướng thu được sau khi sử dụng LRT được
minh họa ở Hình 3.11:
Hình 3.11. a): ảnh ROI, b): sơ đồ mã hóa định hướng sử dụng LRT
Bước 3: Đối sảnh ảnh.
Để đối sánh và nhận diện ảnh, sử dụng sơ đồ mã hóa định hướng
ta
PalmPrintCodes của ảnh ROI đã được trích xuất.
Giả sử cần đối sánh 2 ảnh ROI1 và ROI2 có cùng kích thước m n
 , qua
bước trích xuất dữ liệu ta thu được cặp sơ đồ mã hóa định hướng A và B của 2 ảnh
ROI1 và ROI2, đều có kích thước m n
 .
Như vậy, để đối sánh 2 ảnh R1 (ROI1) và R2 (ROI2), sẽ thực hiện tính
ta
toán khoảng cách để đối sánh cặp sơ đồ mã hóa A và B.
Có 3 phương pháp đối sánh cặp sơ đồ mã hóa A và B: đối sánh pixel to
pixel, đối sánh pixel to cross shape và đối sánh pixe
- l to area.
Khoảng cách đối sánh giữa A và B được tính theo công thức sau:

󰇛
 
󰇜
  󰇛 󰇜  󰇛 󰇜




  
(3.25)
Trong đó: ( , )
B i j tùy vào phương pháp đối sánh có thể là pixel, có thể là
cross- [14]
shape hoặc area (được tham khảo từ bài báo số ).
 Đố ới phương pháp đố
i v i sánh pixel to pixel:
󰇛
 
󰇜 󰇛 󰇜 (3.26)
 Đố ới phương pháp đố
i v i sánh pixel to cross-shape:
󰇛
 
󰇜 󰇝

󰇛
   
󰇜
 
󰇛
   
󰇜
 
󰇛
 
󰇜
 
󰇛
   
󰇜
 󰇛  
󰇞 (3.27)

37. 23
 Đố ới phương pháp đố
i v i sánh pixel to area:
󰇛
 
󰇜 󰇝
󰇛
     
󰇜
 
󰇛
     
󰇜
 
󰇛
   
󰇜

󰇛
   
󰇜
 
󰇛
 
󰇜
 
󰇛
   
󰇜
 
󰇛
   
󰇜

󰇛
     
󰇜
 󰇛     󰇜
󰇞
(3.28)
Hình 3.12 a) ~ c) : đối sánh pixel to pixel, pixel to cross-shape và pixel to area
Phép  được định nghĩa như sau: nếu giá trị ( , )
A i j bằng một trong những
giá trị của ( , )
B i j , phép hợp trả về giá trị là 1, ngược lại trả về 0.
󰇛
 
󰇜 󰇛
 
󰇜 
 
󰇛
 
󰇜 󰇛
 
󰇜
 

(3.29)
Tương tự ta tính toán ( , )
s B A và kết quả cuối cùng sử dụng trong bài toán
nhận diện tay đó là:
lòng bàn
󰇛

 
󰇜 
󰇛
󰇛
 
󰇜
 󰇛 󰇜󰇜 (3.30)
Như vậy, để nhận diện được một ảnh, ta sẽ thực hiện đối sánh ảnh này với
lần lượt từng ảnh trong cơ sở dữ liệu, thu được một tập các giá trị khoảng cách:
  󰇝
󰇛
 
󰇜
      󰇞
Với R là hình ảnh ROI cần nhận diện, , 0, 1
j
R j n
  là tập những hình ảnh
ROI trong cơ sở dữ liệu để đối sánh, n là số ảnh trong cơ sở dữ liệu.
Dựa vào giá trị nhỏ nhất trong tập giá trị đó, ta sẽ đưa ra kết luận
distance
người đó có thuộc cơ sở dữ liệu hay không và đó là người nào. Một số minh họa
về phương pháp so sánh được minh họa ở Hình 3.12.

38. 24
3.2.5 Phương pháp thực hiện nhận diện lòng bàn tay bằng mô hình
Tetra cấu trúc vi mô cục bộ
Phương pháp truyền thống này tuy thuật toán đơn giản nhưng có nhiều
nhược điểm do đặc tính dựa trên việc lấy trung bình của tập dữ liệu huấn luyện.
Một phương pháp tiếp cận khác cũng được quan tâm gần đây là hướng sử dụng
biểu đồ mẫu nhị phân cục bộ Local Binary Patterns Histograms (LBPH) (được đề
cập bởi bài báo số . Đây là thuật toán lấy một vùng cục bộ, ví dụ kích thước
[10])
3x3 pixel, sau đó pixel ở trung tâm sẽ được so sánh với các pixel lân cận. Các pixel
lân cận sẽ được đặt bằng 0 nếu có giá trị nhỏ hơn pixel trung tâm, và ngược lại, sẽ
được đặt bằng 1 nếu lớn hơn pixel trung tâm. Thuật toán này không nhạy cảm với
sự biến đổi của độ sáng trên bức hình.
Các phương pháp như giới thiệu ở phần trên, eigenpalms hay LBPH chưa
đem lại hiệu quả thực sự với các hình ảnh bàn tay bị xoay, dịch hoặc mờ. Vì vậy
trong nghiên cứu này chúng tôi sử dụng phương pháp nhận diện lòng bàn tay bằng
mô hình Tetra cấu trúc vi mô cục bộ (LMTrP) (được đề cập bởi bài báo số [13]).
Bằng mô hình LMTrP với việc sử dụng bộ lọc Gabor giúp loại bỏ một số đặc tính
không cần thiết cũng như tận dụng được lợi thế về độ rộng cũng như hướng của
các đường chính trên lòng bàn tay. Phương pháp này đem lại kết quả nhận diện tốt
hơn các phương pháp truyền thống (được đề cập bởi bài báo số đã được
], [9])
[8
chứng minh trong các nghiên cứu liên quan gần đây (được đề cập bởi bài báo số
[12], [14], [22]).
Mô hình Tetra cấu trúc vi mô cục bộ (LMTrP) để nhận dạng lòng bàn tay
được biểu diễn trên Hình 3.13 và 3.14. Bộ mô tả tận dụng lợi thế của mô tả cục bộ
hướng cũng như độ dày của các đường chính trên lòng bàn tay. Hình ảnh palmprint
đầu tiên được lọc bằng bộ lọc để loại bỏ các đặc không cần thiết. Sau đó, biểu đồ
cấu trúc vi mô mục bộ LMTrP được trích xuất và ghép vào một vectơ đặc trưng để
thể hiện hình ảnh đã cho. Cuối cùng, phân tích kernel PCA được áp dụng trên vectơ
đặc trưng để giảm kích thước.

39. 25
3.2.5.1 Trích xuất đặc tính về độ rộng
Hình 3.13.Sơ đồ khối về nhận dạng lòng bàn tay dựa trên bộ mô tả LMTrP
Hình 3.14 Framework nhận dạng lòng bàn tay dựa trên bộ mô tả LMTrP
Trích xuất đặc tính về độ rộng (magnitude) bởi bộ lọc Gabor. Sử dụng bộ lọc Gabor
[11] để trích xuất các đặc tính đường (line features) từ các hình ảnh lòng bàn tay
(palmprint images).
 
2 2 ' 2 ' 2 ' 2
( /8 )(4 ) ( /2)
( , , , ) 2 ( )
x y i x
x y e e e
   
       
  (3.31)
trong đó x x
= (x - 0)cosθ + ( -
y y0)sinθ, - ( -
y = x x0)sinθ + ( -
y y0)cosθ, với (x0, y0)
là tâm của hàm, là hướng của các hàm Gabor theo radian và
θ   
 là tần số
xuyên tâm tính bằng radian trên mỗi đơn vị chiều dài,    
 
2ln 2 2 1 2 1
 
   
, trong đó là băng thông nửa biên độ của đáp ứng tần số.
α
Thông số bộ lọc Gabor trong bài toán này:
+ Kích thước mẫu của bộ lọc là 35x35 với vị trí trung tâm (17x17).
+  =  = 1.5
+ Các định hướng = 0, π / 6, 2π / 6, 3π / 6, 4π / 6 và 5π / 6.
θ
Đặt ( , , )
R m
G x y  là phần thực của bộ lọc Gabor ở góc m
 với ( 1)
m m K
 
  , là
K
số hướng (orientations) và  
,
ROI
I x y vùng quan tâm (ROI) của hình ảnh palmprint.

40. 26
Do vậy, đặc tính độ rộng  
, G
Mag x y và đặc tính về hướng  
, G
Orient x y có thể
được trích xuất bằng cách tính tích chập của  
,
ROI
I x y và ( , , )
R m
G x y  .
   
   
, , , ,
,
( ( ))
, ,
( ))
, (
ROI R m
G
m ROI R m
G
Mag x y min I x y G x y
Orient x y argmin I x y G x y






(3.32)
Đặc tính về độ rộng và đặc tính về hướng thu được từ bộ lọc Gabor được minh họa
ở Hình 3.15.
Hình 3.15 Đặc tính về độ rộng và đặc tính về hướng thu được từ bộ lọc Gabor
3.2.5.2 Tính toán LMTrP
Bước 1: Áp dụng đạo hàm theo quy tắc LMTrP
Để trích xuất bộ mô tả LMTrP, gc là pixel lân cận của tham chiếu vị trí và R
g là
các pixel liền kề của c
g dọc theo hướng  với khoảng cách R trong một vùng cục
bộ nhất định. Các pixel liền kề của c
g dọc theo một góc nhất định và vị trí tham
chiếu. Các cặp đạo hàm cấp (n-1) là 1
( )
n
h c
I g

và 1
( )
n
v c
I g

của bộ mô tả LMTrP dọc
theo hướng ngang và dọc được định nghĩa là:
1 2
2 2 2
, ,
1 1 1
1 2
1 2
2 2 2
, ,
1 1 1
1 2
( ) ( ) ( )
( )
1
( ) ( ) ( )
( )
1
m m
n n n
h R h c h R
n R R
h c
m m
n n n
v R v c v R
n R R
v c
I g I g I g
I g
N N
I g I g I g
I g
N N
 
 
  
  
  
  

 


 

 
 
(3.33)
trong đó 1
m là độ dày của các pixel liền kề của c
g dọc theo hướng  và 2
m là độ
dày của các pixel liền kề của c
g dọc theo hướng . Góc  là0o
, 90o
, 180o
và 270o
.Góc  là 0o
hoặc 180o
cho hướng ngang, trong khi đó  là 90o
hoặc 270o
cho
hướng dọc. 1
N là số pixel liền kề của c
g dọc theo hướng  và 2
N là số pixel liền

41. 27
kề của c
g dọc theo hướng . Hình ảnh minh họa về đạo hàm theo LMTrP được
minh họa ở Hình 3.16.
Hình 3.16 Đạo hàm theo quy tắc LMTrP theo phương ngang và phương dọc
Bước 2: Áp dụng quy tắc cho LMTrP1
Hướng thứ  
1
n  của pixel tham chiếu 1
( )
n
Dir c
I g

có thể được mã hóa thành bốn giá
trị góc phần tư như sau:
1 1
1 1
1
1 1
1 1
1, ( ) 0and ( ) 0
2, ( ) 0and ( ) 0
( )
3, ( ) 0and ( ) 0
4, ( ) 0and ( ) 0
n n
h c v c
n n
h c v c
n
Dir c n n
h c v c
n n
h c v c
I g I g
I g I g
I g
I g I g
I g I g
 
 

 
 
  

 

 
 

  

(3.34)
trong đó Dir 17
là một hướng tham chiếu như ở Hình 3. , và kết quả sau mã hóa
được minh họa ở Hình 3.18.
Hình 3.17 Bốn hướng tham chiếu của LMTrP

42. 28
Hình 3.18 Kết quả sau khi mã hóa theo hướng tham chiếu
Bước 3: Trích xuất các thành phần P (LMTrP2)
Bộ mô tả LMTrP theo cấp được tạo bằng công thức:
n
  4
1 1 1 1 1
1 1 1 1
( ) ( ( ), ( )), ( ( ),.., ( ( ), ( )) |P
n n n n n n
c Dir c Dir Dir c Dir c Dir P
LMTrP g s I g I g s I g s I g I g 
    
 (3.35)
1 1
1 1
1 1
0, ( ) ( )
( ( ), ( ))
( ),else
n n
Dir c Dir P
n n
Dir c Dir P n
Dir P
I g I g
s I g I g
I g
 
 

 

 


(3.36)
trong đó P biểu thị số pixel lân cận của pixel tham chiếu c
g , đầu ra của 1
S đại diện
cho bốn giá trị góc phần tư bằng cách so sánh sự khác biệt về hướng giữa pixel
tham chiếu và pixel lân cận của nó. Nếu như hướng của pixel tham chiếu giống
với pixel của vùng lân cận, ( )
n
c
LMTrP g được mã hóa là “0”. Nếu không thì c
g
được mã hóa theo hướng của pixel lân cận.
Mô tả LMTrP2 được tách riêng thành mô hình nhị phân sử dụng phương trình:
   
1 1
( 1)
2
| ( ) | ( )
1
| 2 ( ( ) |
n n
Dir c Dir c
P
n p n
c
Dir Dir I g Dir Dir I g
p
LMTrP S LMTrP g
 

   

 
 (3.37)
 
2
1, if ( )
S ( ( ) |
0, else
n
n c
c Dir Dir
LMTrP g Dir
LMTrP g 
 

 


(3.38)
trong đó Dir là một tập hợp bao gồm bốn giá trị góc phần tư trừ giá trị tương ứng
của hướng tham chiếu và Dir là một trong những giá trị của Dir . 2
S là mẫu nhị
phân được tạo bằng cách sử dụng Dir .
Kết quả ta thu được 12 mẫu nhị phân như Hình 3.19.

43. 29
Hình 3.19 Hình ảnh 12 mẫu nhị phân được tạo thành từ 4 hướng tham chiếu
Bộ mô tả LMTrP bậc hai mã hóa bộ mô tả cục bộ theo từng hướng cho một vị trí
tham chiếu. Ở đây, 2
1
LMTrP , 2
2
LMTrP , 2
3
LMTrP và 2
4
LMTrP đại diện thứ hai cho
các mẫu góc phần tư của bộ mô tả LMTrP theo hướng lần lượt là “1”, “2”, “3”và
“4”. 1
1
BP , 1
2
BP , 1
3
BP đại diện cho ba mẫu nhị phân tương ứng của bộ mô tả LMTrP
theo hướng “1”.
Bước 4: Trích xuất các khối và tính toán biểu đồ.
Hình 3.20 Các bước trích xuất và tính toán biểu đồ
Các bước trích xuất và tính toán biểu đồ được thể hiện ở Hình 3.2 Đối với mỗi
0.
thành phần , thực hiện chia hình ảnh tương ứng thành các khối 5x5. Tiếp đến là
P
tính toán biểu đồ cho pixel trong mỗi khối.

44. 30
Cuối cùng ta nối từng biểu đồ theo hàng với nhau, được kết quả minh họa như
Hình 3.21
Hình 3.21 Kết quả của việc tính toán biểu đồ
3.2.5.2 Áp dụng Kernel PCA để giảm số lượng thành phần
Sau khi trích xuất các khối và tính toán biểu đồ, ta đưa vào tính toán giảm số lượng
thành phần sử dụng phương pháp phân tích thành phần chính hạt nhân - Kernel
PCA như ở Hình 3. . Mục đích của bước này là để giảm số chiều dữ liệu
22 và 3.23
nhằm tăng hiệu năng tính toán và giảm dung lượng bộ nhớ. Kết quả của quá trình
trích xuất đặc trưng sử dụng mô tả LMTrP được minh họa ở Hình 3.24.

45. 31
Hình 3.22 Ví dụ về sử dụng Kernel PCA để phân tách dữ liệu một cách tuyến tính
Hình 3.23 Kết quả sau khi sử dụng Kernel PCA để giảm kích thước vector đặc trưng
Hình 3.24 Kết quả của quá trình trích xuất đặc trưng sử dụng mô tả LMTrP

46. 32
3.2.5.4 Tính toán độ tương tự giữa hai vectơ đặc trưng của lòng bàn tay
Để tính toán độ tương tự giữa hai vectơ đặc trưng của hình ảnh lòng bàn tay. Ta
sử dụng khoảng cách Euclide trong việc khớp đặc tính. Cho hai đặc tính của lòng
bàn tay 1 1 2
[ , ,..., ]
n
F a a a
 và 2 1 2
[ , ,..., ]
n
F b b b
 , điểm tương tự 1 2
( , )
F F được tính như
sau:
1 2 2
1
( , )
N
E j j
j
S F F a b

 
 trong đó 2
j j
a b
 là khoảng cách Euclide.
Khoảng cách vector đặc trưng của bức ảnh cần so khớp với vector đặc trưng của
bức ảnh trong cơ tập dữ liệu gần nhất chính là lòng bàn tay người tương ứng với
bức ảnh đó.

47. 33
3.2.6 Phương pháp thực Phương pháp mã hóa sơ đồ định hướng
(CompCode)
Phương pháp nhận diện lòng bàn tay sử dụng sơ đồ mã hóa định hướng
(CompCode) sử dụng thuật toán biến đổi sóng Gabor để trích xuất thông số định
hướng của khớp ngón tay để mã hóa hình ảnh ROI. Cụ thể các bước em sẽ trình
bày phía dưới đây.
Hàm Gabor tồn tại dưới nhiều hình thức khác nhau, tùy vào từng bài toán. Ở
bài toán này, em sẽ sử dụng công thức phần thực của phép biến đổi sóng Gabor
được trình bày ở mục 3.1 phương trình (3.5) (được nhắc đến trong các bài báo [12],
[16], [17], [18]):
󰇛
  

 
󰇜







󰇡
󰆓

󰆓

󰇢
󰇛 
󰇛

󰆒
󰇜  


󰇜
Trong đó:
󰆒
 󰇛
  
󰇜
 
󰇛
  
󰇜

󰆒
 󰇛
  
󰇜
 
󰇛
  

󰇜

(3.39)
0 0
( , )
x y là điểm gốc tọa độ ban đầu của hàm, như vậy ' '
( , )
x y chính là điểm
(x,y) sau khi đã được biến đổi từ hệ tọa độ với gốc tọa độ là điểm 0 0
( , )
x y sang hệ
tọa độ mới với ( , )
Oa cos sin
 
 và ( , )
Ob sin cos
 
  chính là hai vector đơn vị.
Khi 0
  thì ' '
0 0
,
x x x y y y
    .
 là góc của phép biến đổi sóng Gabor đơn vị radian.



 là tần số xuyên tâm tính theo đơn vị radian trên một đơn vị chiều dài,
 là độ lệch chuẩn trong công thức Gaussian.
 là một hằng số, được định nghĩa bởi công thức
2 1
2ln 2
2 1



 

  

 
với 
là băng thông nửa biên độ của đáp ứng tần số.
Sau khi đã định nghĩa công thức của phép biến đổi sóng Gabor, tiếp đếp em
lựa chọn thông số cho bộ lọc và trích xuất đặc trưng về định hướng của đường vân
ảnh lòng bàn tay. Cuối cùng, em sẽ kết hợp với ảnh mask để đối sảnh ảnh đầu vào
với ảnh trong tập dữ liệu để đưa ra kết luận người đó có thuộc tập dữ liệu hay
không.

48. 34
Bước 1: Lựa chọn thông số cho phép biến đổi sóng Gabor.
Các thông số của phép biến đổi Gabor được lựa chọn một cách tối ưu cho
hệ thống dựa vào thực nghiệm được tham khảo từ bài báo
( [12]).
Kích thước của bộ lọc Gabor trong bài toán này em lựa chọn là 35x35 với
vị trí trung tâm của bộ lọc 0 0
( , ) (17,17)
x y  , 5.3
  , 3.3
 
Các góc định hướng của bộ lọc em lựa chọn là 6 giá trị:  
, 0,1,...,5
6
j
j

  
Tức có 6 giá trị góc định hướng:
2 5
0, , , , ,
6 3 2 3 6
    
 
Bước 2: Trích xuất sơ đồ mã hóa định hướng cho hình ảnh lòng bàn tay.
Thông tin về hướng được trích xuất theo từng pixel, gọi là mã định hướng.
Trong bài toán này, chỉ phần thực của phép biến đổi sóng Gabor được sử dụng để
mã hóa định hướng, theo công thức được trình bày như sau:

󰇛
 
󰇜 



󰇛
 
󰇜
 
󰇛  

󰇜 (3.40)
Trong đó: ( , )
CompCode x y là mã định hướng của pixel [ , ]
x y
( , , )
R j
x y
  là phần thực của phép biến đổi sóng Gabor ở góc j
 với
6
j
j
 
 
,
ROI
I x y là giá trị pixel [ , ]
x y của hình ảnh ROI.
Phép “*” là phép nhân tích chập hai chiều giữa hình ảnh ROI và phần thực
của phép biến đổi sóng Gabor.
Nhận xét: theo phương trình trên, ta thấy ma trận CompCode gồm
(3.40)
các giá trị thuộc tập giá trị {0,1,2,3,4,5}.
Hình ảnh sơ đồ mã hóa định hướng thu được ở Hình 3.25.

49. 35
Hình 3.25 a)~d) Hình ảnh ROI, e)~h) sơ đồ mã hóa định hướng
Bước 3: Xác định Mask cho hình ảnh đầu vào:
Thuật toán này ngoài sơ đồ mã hóa định hướng ra, em sẽ sử dụng hình ảnh
Mask để xác định những pixel không nằm trong vùng , ví dụ như khi
lòng bàn tay
lòng bàn tay đặt lệch khỏi trục.

50. 36
Hình 3.26 a), b) minh họa tay lệch khỏi trục, c), d) là mask của a) và b)
lòng bàn
Phương pháp tạo mask được áp dụng trong bài toán nhận diện lòng bàn tay
này được em tham khảo theo bài báo số , áp dụng một Threshold lên hình ảnh
[19]
đầu vào (những phần là nền, không thuộc vùng ảnh lòng bàn tay sẽ có màu đen, dễ
dàng phát hiện và đặt được Threshold đó).
Bước 4: Đối sánh ảnh.
Để đối sánh và nhận diện ảnh, em sử dụng sơ đồ mã hóa định hướng và
mask của ảnh ROI đã được trích xuất.
Giả sử cần đối sánh 2 ảnh R1 (ROI1) và R2 (ROI2) có cùng kích thước
X Y
 , qua bước trích xuất dữ liệu ta thu được 2 cặp sơ đồ mã hóa định hướng và
mask là ( , )
P Q và ( , )
M M
P Q của 2 ảnh ROI1 và ROI2.
Như vậy, để đối sánh 2 ảnh ROI1 và ROI2, em sẽ thực hiện tính toán khoảng
cách để đối sánh 2 cặp ma trận ( , )
P Q và ( , )
M M
P Q .
Khoảng cách đối sảnh giữa hai ảnh ROI1 và ROI2 được tính theo công thức
sau:
Trong đó ( ( , ), ( , ))
G P x y Q x y nhận giá trị:
1 1
1 2
1 1
( ( , ) ( , ) ( ( , ), ( , ))
( , )
3 ( , ) ( , )
X Y
M M
x y
X Y
M M
x y
P x y Q x y G P x y Q x y
D R R
P x y Q x y
 
 
 


 
 
41)
(3.

51. 37

󰇛
 
󰇜
 
󰇛
 
󰇜
  󰇛

󰇛
 
󰇜 󰇛
 
󰇜
  

󰇛
 
󰇜 󰇛
 
󰇜
󰇜 (3.42)
Phép  là phép logic AND giữa 2 bit 0 và 1 (mask là ma trận chứa các
phần tử 0 và 1).

 󰇛 󰇜 󰇛 󰇜 
 󰇛 󰇜  
󰇛 󰇜
0 0 0
1 0 0
0 1 0
1 1 1
B ng 3.1
ả Định nghĩa phép logic AND 
  

Nhận xét: theo phương trình (3.42) trên, ta thấy G nhận giá trị thuộc {0,1,2,3}
do P và Q là 2 ma trận CompCode chứa các phần tử có giá trị thuộc {0,1,2,3,4,5}.
Từ đó suy ra giá trị của 1 2
( , )
D R R nhận được thuộc trong khoảng (0,1).
Như vậy, để nhận diện được một ảnh, ta sẽ thực hiện đối sánh ảnh này với
lần lượt từng ảnh trong cơ sở dữ liệu, thu được một tập các giá trị khoảng cách:
  󰇝󰇛 
󰇜      󰇞
Với R là hình ảnh ROI cần nhận diện, , 0, 1
j
R j n
  là tập những hình ảnh
ROI trong cơ sở dữ liệu để đối sánh, n là số ảnh trong cơ sở dữ liệu.
Dựa vào giá trị nhỏ nhất trong tập giá trị đó, ta sẽ đưa ra kết luận
distance
người đó có thuộc cơ sở dữ liệu hay không và đó là người nào.

52. 38
3.2.7 Phương pháp nhị phân hóa sơ đồ mã hóa định hướng (BOCV)
Cũng như phương pháp mã hóa sơ đồ định hướng được trình bày ở mục 3.2.6,
thuật toán Binary Orientation Co occurrence Vector (BOCV) (được tham khảo
- bởi
bài báo số sử dụng phép biến đổi sóng Gabor để trích xuất thông số định
[17])
hướng của tay để mã hóa hình ảnh ROI. Cụ thể các bước em sẽ trình bày
lòng bàn
phía dưới đây.
Em sử dụng phần thực của phép biến đổi sóng Gabor được trình bày ở mục
3.1 (3.5):
, phương trình
󰇛
  

 
󰇜







󰇡
󰆓

󰆓

󰇢
󰇛 
󰇛

󰆒
󰇜  


󰇜
Bước 1: Tính toán vector OCV.
Sau khi đã định nghĩa công thức của phép biến đổi sóng Gabor và lựa chọn
thông số như phương pháp CompCode được trình bày ở mục 3.2. , tiếp đếp em sẽ
6
tính toán một vector 6 chiều bằng cách chuẩn hóa theo 6 hướng của phép biến đổi
sóng Gabor, gọi là vector định hướng (OCV - orientation co-occurrence) theo công
thưc sau:
  

󰇛
 
󰇜
    (3.43)
Với:


󰇛
 
󰇜 

󰇛
 
󰇜 
󰇛
   
󰇜
 
 


(3.44)
Bước 2: Chuẩn hóa nhị phân vector định hướng OCV.
Theo phương trình và phương trình được định nghĩa ở trên,
(3.43) (3.44)
các phần tử của vector OCV đều là số thực. Để tăng tốc độ tính toán trong quá
trình đối sánh ảnh, em sẽ chuẩn hóa vector OCV theo mã nhị phân 6 bit, gọi là
Binary OCV (BOCV).
Công thức chuẩn hóa như sau:


󰆒
 
 

󰇛
 
󰇜 
 

(3.45)

53. 39
Hình 3.27 Vector BOCV với các hướng θ = 0, π/6, π/3, π/2, 2π/3, 5π/6
Bước 3: Xác định Mask cho hình ảnh đầu vào.
Thuật toán này ngoài sơ đồ mã hóa vector BOCV, em cũng sử dụng thêm
hình ảnh Mask giống như phương pháp mã hóa sơ đồ định hướng được đề cập
trong mục 3.2. , tham khảo từ bài báo số
6 [19] để xác định những pixel không nằm
trong vùng lòng bàn lòng bàn
tay, ví dụ như khi tay đặt lệch khỏi trục.
Bước 4: Đối sánh ảnh.
Để đối sánh và nhận diện ảnh, em sử dụng vector mã hóa BOCV và mask
của ảnh ROI đã được trích xuất.
Giả sử cần đối sánh 2 ảnh ROI1 và ROI2 có cùng kích thước X Y
 , qua
bước trích xuất dữ liệu ta thu được cặp vector mã hóa 1 { , 0,5}
b
j
BOCV P j
 
2 { , 0,5}
b
j
BOCV Q j
  và cặp mask là( , )
M M
P Q của 2 ảnh ROI1 và ROI2.
Như vậy, để đối sánh 2 ảnh ROI1 và ROI2, em sẽ thực hiện tính toán khoảng
cách để đối sánh 2 cặp ma trận ( 1, 2)
BOVC BOVC và ( , )
M M
P Q .
Khoảng cách đối sảnh giữa hai ảnh ROI1 và ROI2 được tính theo công thức
sau:
󰇛


󰇜
   󰇛


󰇛 󰇜


󰇛 󰇜󰇜  󰇛
 󰇛 󰇜  
 󰇛 






  󰇛 󰇜  
 󰇛 󰇜




(3.46)

54. 40
Phép  là phép logic XOR giữa 2 bit 0 và 1.



󰇛 󰇜 

󰇛 󰇜 


󰇛 󰇜


󰇛 󰇜
0 0 1
1 0 0
0 1 0
1 1 1
B ng 3.2
ả Định nghĩa phép logic XOR 
  
Nhận xét: theo phương trình trên, ta thấy vector mã hóa BOCV và
(3.45)
ma trận mask chứa các phần tử thuộc tập {0,1}, như vậy giá trị của 1 2
( , )
D R R nhận
được thuộc trong khoảng (0,1).
Như vậy, để nhận diện được một ảnh, ta sẽ thực hiện đối sánh ảnh này với
lần lượt từng ảnh trong cơ sở dữ liệu, thu được một tập các giá trị khoảng cách:
   
      
Với R là hình ảnh ROI cần nhận diện, , 0, 1
j
R j n
  là tập những hình ảnh
ROI trong cơ sở dữ liệu để đối sánh, n là số ảnh trong cơ sở dữ liệu.
Dựa vào giá trị nhỏ nhất trong tập giá trị đó, ta sẽ đưa ra kết luận
distance
người đó có thuộc cơ sở dữ liệu hay không và đó là người nào.

55. 41
3.3. Phương pháp nhận diện lòng bàn tay sử dụng đặc trưng về hướng
và độ lớn của đường vân.
lòng bàn
Như đã trình bày ở trên thì việc nhận diện tay người có thể thực
hiện với nhiều phương pháp. Các phương pháp em đã nêu ở phần trước chưa đem
lại hiệu quả thực sự với các hình ảnh lòng bàn tay bị xoay, dịch hoặc mờ. Phương
pháp nhận diện tay bằng việc sử dụng phép biến đổi sóng Gabor và mã
lòng bàn
hóa đường vân (được tham khảo từ bài báo số ) giúp loại bỏ một số đặc tính
[12]
không cần thiết cũng như tận dụng được lợi thế về độ rộng cũng như hướng của
các đường vân trên tay đem lại kết quả nhận diện vượt trội hơn các
lòng bàn
phương pháp truyền thống.
3.3.1. Trích xuất đặc tính đường vân của lòng bàn tay bằng phép biến
đổi sóng Gabor
Trong bài toán này, em sẽ trích xuất và kết hợp hai loại thông tin là định
hướng và độ lớn đường vân từ phép biến đổi sóng Gabor để nhận dạng lòng bàn
tay. Kết quả thu được trình bày cho thấy phương pháp này có độ chính xác khá cao
so với các phương pháp t khác như CompCode, BOCV
rích xuất dữ liệu .
Hàm Gabor tồn tại dưới nhiều hình thức khác nhau, tùy vào từng bài toán. Ở
bài toán này, em sẽ sử dụng phần thực theo phương trình (3.5) giống phương pháp
CompCode được trình bày ở mục 3.2.6 :
󰇛
  

 
󰇜







󰇡
󰆓

󰆓

󰇢
󰇛 
󰇛

󰆒
󰇜  


󰇜
Trong đó:

󰆒
 󰇛
  
󰇜
 
󰇛
  
󰇜


󰆒
 󰇛
  
󰇜
 
󰇛
  
󰇜

0 0
( , )
x y là điểm gốc tọa độ ban đầu của hàm, như vậy ' '
( , )
x y chính là điểm
(x,y) sau khi đã được biến đổi từ hệ tọa độ với gốc tọa độ là điểm 0 0
( , )
x y sang hệ
tọa độ mới với ( , )
Oa cos sin
 
 và ( , )
Ob sin cos
 
  chính là hai vector đơn vị.
Khi 0
  thì ' '
0 0
,
x x x y y y
    , hệ tọa độ '
Oxy O xy
 .
 là góc của phép biến đổi sóng Gabor đơn vị radian.

56. 42



 là tần số xuyên tâm tính theo đơn vị radian trên một đơn vị chiều dài,
 là độ lệch chuẩn trong công thức Gaussian.
 là một hằng số, được định nghĩa bởi công thức
2 1
2ln 2
2 1



 

  

 
,  là
băng thông nửa biên độ của đáp ứng tần số.
Sau khi đã định nghĩa công thức của phép biến đổi sóng Gabor, tiếp đếp em
lựa chọn thông số cho bộ lọc và trích xuất đặc trưng về định hướng, độ lớn của
đường vân ảnh lòng bàn tay. Cuối cùng, em sẽ kết hợp 2 đặc trưng này để đối sảnh
ảnh đầu vào với ảnh trong tập dữ liệu để đưa ra kết luận người đó có thuộc tập dữ
liệu hay không.
Bước 1: Lựa chọn thông số cho phép biến đổi sóng Gabor.
Các thông số của phép biến đổi sóng Gabor được lựa chọn như ở mục 3.2.5.
Kích thước của bộ lọc Gabor trong bài toán này em lựa chọn là 35x35 với
vị trí trung tâm của bộ lọc 0 0
( , ) (17,17)
x y  , 5.3
  , 3.3
 
Các góc định hướng của bộ lọc em lựa chọn là 6 giá trị:  
, 0,1,...,5
6
j
j

  
Tức có 6 giá trị góc định hướng:
2 5
0, , , , ,
6 3 2 3 6
    
 
Hình 3.28 Kết quả phép biến đổi Gabor với các hướng θ = 0, π/6, 2π/6, 3π/6, 4π/6, 5π/6

57. 43
Bước 2: Trích xuất đặc trưng về hướng (ImcompCode) sử dụng phép biển
đổi sóng Gabor.
Thông tin về hướng được trích xuất theo từng pixel, gọi là mã định hướng.
Trong bài toán này, chỉ phần thực của phép biến đổi Gabor được sử dụng để mã
hóa định hướng, theo công thức (được tham khảo từ bài báo số ) trình bày như
[12]
sau:

󰇛
 
󰇜 

󰇝

󰇛
 
󰇜 
󰇛  
󰇜󰇞 (3.47)
Trong đó: ( , )
ImcompCode x y là mã định hướng của pixel [ , ]
x y .
( , , )
R j
x y
  là phần thực của phép biến đổi sóng Gabor ở góc j
 với
6
j
j
 
 
,
ROI
I x y là giá trị pixel [ , ]
x y của hình ảnh ROI.
Phép “*” là phép nhân tích chập hai chiều giữa hình ảnh Palm Print ROI và
phần thực của phép biến đổi sóng Gabor.
Do trên hình ảnh , có một vài điểm ảnh nằm trên các khu vực
lòng bàn tay
tương đối phẳng, không mang một thông tin về hướng cụ thể, vì thế sau khi sử
dụng phép biến đổi sóng Gabor, giá trị phản hồi tại các pixel đó không có sự thay
đổi nhiều. Nếu chúng ta tiếp tục gán mã định hướng cho các pixel đó, điều này có
thể làm cho thông tin của các pixel định hướng khác bên cạnh bị nhiễu, dẫn đến
việc giảm độ tin cậy về thông tin về hướng của hình ảnh đó. Vì vậy,
lòng bàn tay
em định nghĩa một khái niệm là cường độ định hướng, để loại bỏ các điểm ảnh
“phẳng”, không mang giá trị định hướng đó. Công thức về cường độ định hướng
(được tham khảo từ bài báo số ) được trình bày ở dưới đây:
[12]

󰇛
 
󰇜


󰇛
󰇜 
󰇛󰇜


󰇛


󰇛
󰇜



󰇛
󰇜
󰇜
(3.48)
Trong đó R là 6 ma trận phản hồi từ phép biến đổi sóng Gabor với 6 định
hướng:
  
  

󰇛
 
󰇜 
  
    (3.49)
( , )
oriMag x y là cường độ định hướng tại pixel [ , ]
x y của ma trận mã định
hướng. Nếu giá trị này nhỏ hơn một ngưỡng cho trước (ngưỡng được chọn từ thực
nghiệm), thì pixel này không mang giá trị định hướng, và được gán giá trị bằng 6
(số góc định hướng của phép biến đổi sóng Gabor).

58. 44
Hình ảnh thu được sau khi cải thiện ma trận mã định hướng:
Hình 3.29 Hình ảnh ROI (a)~(d) và sơ đồ mã hóa định hướng tương ứng (e)~(h)
Bước 3: Trích xuất đặc trưng về độ rộng (Magnitude) bởi phép biến đổi
sóng Gabor
Bên cạnh hướng, một thông tin rất quan trọng cần trích xuất trong bài toán
nhận diện khớp ngón tay này là độ rộng (Magnitude). Thông tin về độ rộng cũng
được trích xuất theo từng pixel, gọi là mã độ rộng. Trong bài toán này, chỉ phần
thực của phép biến đổi sóng Gabor được sử dụng để mã hóa độ rộng, theo công
thức (được tham khảo từ bài báo số ) được trình bày như sau:
[12]

󰇛
 
󰇜 󰇛

󰇛
 
󰇜 


  

󰇜 (3.50)

59. 45
Trong đó: N là số lượng cấp độ định lượng tùy vào từng bài toán sẽ được
,
điều chỉnh bằng các thực nghiệm trên tập dữ liệu để đưa ra kết quả tốt nhất. Trong
bài toán này N được chọn bằng 8 (được tham khảo từ bài báo số [12]).
( , )
mag x y được định nghĩa là cường độ tại điểm ảnh ( , )
ROI
I x y được xác định
bởi phần thực của phép biến đổi sóng Gabor theo công thức (được tham khảo từ
bài báo số ) được trình bày như sau:
[12]

󰇛
 
󰇜 

󰇝

󰇛
 
󰇜 
  

    (3.51)
,
max min
l l được tính theo công thức:

 
󰇛

󰇜


󰇛
 
󰇜


  
󰇛󰇜

󰇛󰇛 󰇜󰇜
(3.52)
Trong đó Wmlà ma trận với điểm chính giữa là pixel (x, y), có kích thước
là w w
 . Cũng tương tự như giá trị N, w cũng được xác định bởi thực nghiệm và
được chọn trong bài toán này bằng giá trị 31(được tham khảo từ bài báo số [12]).
Từ phương trình trên ta thấy được, kết quả ma trận mã hóa độ rộng
(3.51)
nhận được từ phương trình giá trị trải từ 1 đến N (1 đến 8).
(3.50) có

60. 46
Hình ảnh mã hóa thu được sau khi sử dụng phương trình ở Hình 3.30:
Hình 3.30 Hình ảnh ROI (a)~(d) và sơ đồ mã hóa độ rộng tương ứng (e)~(h)