zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Công Nghệ Thông Tin

» Cơ sở dữ liệu

Nhận dạng vân tay sử dụng kỹ thuật học sâu

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:9

Báo xấu

8
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nghiên cứu này trình bày 2 mô hình trong kỹ thuật học sâu nhằm nhận dạng 10 ngón tay con người và danh tính của họ. Đầu vào là các ảnh với độ phân giải 96×96. Các ảnh mẫu được lấy từ cơ sở dữ liệu Sokoto Coventry Fingerprint Dataset (SOCOFing).

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nhận dạng vân tay sử dụng kỹ thuật học sâu

LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Nhận dạng vân tay sử dụng kỹ thuật học sâu Fingerprint recognition using deep learning technique Phạm Thị Hường*, Trương Văn Tuấn Email: pthuong@saodo.edu.vn Trường Đại học Sao Đỏ Ngày nhận bài: 27/5/2022 Ngày nhận bài sửa sau phản biện: 30/9/2022 Ngày chấp nhận đăng: 30/9/2022 Tóm tắt Nghiên cứu này trình bày 2 mô hình trong kỹ thuật học sâu nhằm nhận dạng 10 ngón tay con người và danh tính của họ. Đầu vào là các ảnh với độ phân giải 96×96. Các ảnh mẫu được lấy từ cơ sở dữ liệu Sokoto Coventry Fingerprint Dataset (SOCOFing). Kết quả thử nghiệm trên bộ mẫu gồm 1200 ảnh cho khả năng nhận dạng chính xác đạt 99,73% danh tính và 99,90% khi nhận dạng ngón tay, kết quả cho thấy đây là một trong những phương pháp hiệu quả nhằm bảo mật và xác thực người dùng. Từ khóa: Nhận dạng vân tay; xác thực vân tay; mạng nơ-ron tích chập; học sâu. Abstract This study presents two models in deep learning techniques to recognize 10 human fingers and their identity. Inputs are images with a resolution of 96×96. Sample images were obtained from the Sokoto Coventry Fingerprint Dataset (SOCOFing) database. Test results on a sample set of 1200 images for accurate identification of 99.73% of identity and 99.90% of finger recognition. It shows that it is one of the effective methods to secure and authenticate users. Keywords: Fingerprint recognition; fingerprint authentication; convolutional neural network (CNN); Deep learning. 1. ĐẶT VẤN ĐỀ cao hơn khi sử dụng kernel tuyến tính. Tuy nhiên, độ chính xác cao nhất đạt 80% khi hình ảnh được chọn Hệ thống sinh trắc học vân tay là vấn đề bảo mật chính thủ công. trong xã hội hiện đại bởi nó sử dụng các yếu tố sinh lý, sinh học và đặc điểm riêng biệt của mỗi cá nhân. Mỗi Việc phân loại vân tay dựa trên mạng nơ-ron đã được dấu vân tay gần như là duy nhất (theo các nghiên cứu đề xuất trong [5] bằng cách sử dụng cơ sở dữ liệu về Francis Galton năm 1982, xác suất để hai vân tay NIST. Thách thức trong việc phân loại này là độ chính trùng nhau là 1/64 tỷ [1]) ngay cả giữa các cặp song xác và số lượng các bất thường của điểm tâm (core) sinh và không thay đổi trong cuộc đời mỗi con người. hay các điểm giao của 3 đường vân trên ngón tay Tính riêng biệt này đã minh chứng rằng nhận dạng vân (delta). Trong đó, mạng nơ-ron được sử dụng để thực tay là chính xác và hiệu quả hơn các phương pháp hiện đối sánh cho phát triển nhận dạng và phân loại nhận dạng khác trong việc đảm bảo an ninh công cộng vân tay bằng kỹ thuật truyền ngược. Phân loại dấu vân và điều tra tội phạm như điều tra pháp y, thi hành luật, tay thông qua lập chỉ mục và tái xử lý đã được nghiên truy cập thuế. cứu rộng rãi trong thập kỷ qua. Tuy nhiên, thách thức chính là cơ sở dữ liệu dấu vân tay khó có thể truy cập Vân tay là một vùng riêng biệt trên đầu ngón tay dựa công khai khi mà chỉ có một số hình ảnh cá nhân có trên các đường vân và rãnh. Một số kỹ thuật nhận sẵn để huấn luyện và kiểm chứng, điều này không phù dạng vân tay dựa trên điểm minutiae (tính năng nhỏ hợp cho việc phân loại thống kê phức tạp. nhất định của hình ảnh dấu vân tay) như đối sánh khung xương hoặc hình ảnh tương quan [2]. Hệ thống Leung [6] đã giải quyết vấn đề này bằng cách mở rộng nhận dạng còn chậm và cho kết quả không chính xác. tập huấn luyện sử dụng kỹ thuật mô hình không gian Đôi khi nhiễu xảy ra trong quá trình quét dữ liệu ảnh để có độ chính xác tốt hơn với bộ phân loại Bayes. gây ra sai lệch trong kết quả nhận dạng [3]. Trong [4], Wan et al. [7] đề xuất phương pháp XFinger-net để phương pháp phân loại vân tay sử dụng máy vectơ xác định hình ảnh dấu vân tay bị lỗi một phần (PDFI) hỗ trợ và giảm nhiễu hình thái học gradient được thực dựa trên các đặc điểm của dấu vân tay. Họ đã sử dụng nghiệm trên bộ dữ liệu 6000 ảnh vân tay tại [14]. Kết học sâu để phân đoạn các dấu vân tay bị lỗi và có quả cho thấy việc sử dụng kernel RBF có độ chính xác nhiễu. Phương pháp XFinger-Net cho thấy hiệu suất tốt hơn mặc dù sai lệch trong phân đoạn là điều không Người phản biện: 1. GS. TSKH. Thân Ngọc Hoàn thể tránh được khi dấu vân tay lỗi. Một nghiên cứu 2. TS. Nguyễn Trọng Các được thực hiện bởi AlShehri et al. [8] nhận thấy rằng Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022 23
NGHIÊN CỨU KHOA HỌC đối sánh vân tay khó khăn hơn khi thu nhận hình ảnh trị của chúng quá cao ở những giai đoạn trọng số mô bởi nhiều cảm biến. Phân tích của họ cũng cho thấy hình đã đi vào hội tụ. những điểm minutiae là đặc trưng chính của vân tay. Wu và cộng sự [9] đã đề xuất mô hình CNN để xác 2. NỘI DUNG NGHIÊN CỨU định các mẫu thực dấu vân tay. Các tác giả đã đạt 2.1. Bài toán nhận dạng vân tay được độ chính xác 92,9% đến 94,87%. Takahashi và cộng sự [10] đã trình bày một kỹ thuật thu thập các đặc điểm của dấu vân tay từ kết cấu, điểm minutiae và phổ tần bằng cách sử dụng CNN và đã thêm đặc trưng mới là phổ tần. Các tác giả đề xuất phương pháp truy xuất các yếu tố đặc trưng bị thiếu từ thông tin được cố định trong vùng hình ảnh có chất lượng kém. Họ sử dụng mạng nơ-ron xác suất (PNN) để thực hiện phân loại. Trong [11] sử dụng mạng nơ-ron di truyền thích ứng (AGNN) để phân loại hình ảnh dấu vân tay bằng cách thực hiện các thí nghiệm trong ba giai đoạn. Trước hết, sử dụng phép biến đổi Wave nhằm giảm nhiễu để tăng cường hình ảnh dấu vân tay, sau đó áp dụng một số các phép toán hình thái học và cuối cùng sắp xếp lại thứ tự các hình ảnh. Peralta và cộng sự [12] trình bày phương pháp tiếp cận dựa trên mạng nơ-ron thể tích để phân loại hình ảnh dấu vân tay thuộc một số lớp nhất định. Họ đã sắp xếp vân tay thành các lớp rời rạc như các nhóm và thực hiện các phép toán so khớp bằng cách so sánh với các lớp được dự đoán. Các tác giả cho rằng cách tiếp cận này có thể làm giảm tỷ lệ tìm kiếm và dự đoán lớp vân tay ngay cả hình ảnh chất lượng thấp. Trong [13], Mamadou Diarra và cộng sự đã sử dụng phương pháp học sâu để nhận dạng dấu vân tay. Kiến trúc được mô tả sử dụng giai đoạn tiền xử lý trong đó hình ảnh thang độ xám được biểu diễn trên các dải RGB và sau đó hợp nhất để có được hình ảnh màu. Trên ảnh màu thu được sẽ được trích xuất các đặc trưng của kết cấu dấu vân tay. Hình ảnh dấu vân tay sau khi xử lý trước đã sử dụng hệ thống mạng tích Hình 1. Sơ đồ bài toán nhận dạng vân tay chập để ra quyết định. Kết quả thực nghiệm cho thấy độ chính xác hơn 99,43% và 99,53% lần lượt đối với Nhận dạng vân tay là để trả lời câu hỏi: Có xác thực các biến thể Densenet-201 và ResNet-50. được vân tay của ai không và nếu có thì đó là ngón tay nào? Trong bài toán nhận dạng vân tay cần trả lời câu Trong bài báo này đề xuất sử dụng 2 mô hình (net = 2) hỏi vân tay trong ảnh là vân tay của ai và nếu tham trong mạng CNN, sử dụng bộ dữ liệu như [4] để nhận chiếu được thì đó là vân tay của ngón tay nào trong dạng 1 trong 10 ngón tay nào của 600 người. Trong 2 10 ngón? Bài toán phát hiện này gồm hai bước là xây mô hình đưa ra một số phương pháp để ngăn chặn việc dựng 2 mô hình nhận dạng danh tính và nhận dạng quá khớp overfitting bằng cách sử dụng kỹ thuật L2 tên ngón tay và vận hành 2 mô hình đã xây dựng. Cho regularization nhằm thêm vào hàm loss một đại lượng sẵn một tập dữ liệu các vân tay được gán nhãn là ID, nữa nhằm tối ưu mô hình (giảm hàm loss) dẫn đến giảm tên ngón tay. Cần một phương pháp huấn luyện để xây trọng số để mô hình bớt phức tạp tránh overfitting. Bên dựng một mô hình nhận dạng từ tập dữ liệu mẫu đó, cạnh đó, sử dụng Dropout regularization giúp tránh sau đó dùng lần lượt 2 mô hình này dự đoán những overfitting bằng cách bỏ đi p% số nút của layer giúp cho vân tay cần xác định danh tính và tên ngón tay. mô hình bớt phức tạp; sử dụng Batch Normalization để 2.2. Tiền xử lý dữ liệu chuẩn hóa các đặc trưng (đầu ra của mỗi layer sau khi đi qua các activation) về trạng thái zero-mean với độ Cơ sở dữ liệu hình ảnh thu thập tại Sokoto Coventry lệch chuẩn 1. Khi loss của tập test không giảm mà tăng (SOCOFing), một cơ sở dữ liệu sinh trắc học dấu vân trở lại thì dừng việc training bằng EarlyStopping. Sử tay được thiết kế cho các mục đích nghiên cứu học dụng ReduceLROnPlateau giúp triệt tiêu độ lớn của thuật. SOCOFing được tạo thành từ 6.000 hình ảnh learning rate theo thời gian huấn luyện nhằm tránh giá dấu vân tay từ 600 người châu Phi, mỗi người 10 24 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA ngón. SOCOFing chứa các thuộc tính duy nhất như đổi khác nhau là xóa mờ, xoay giữa và cắt chữ z. Mỗi nhãn cho giới tính, tên bàn tay và ngón tay cũng như ảnh gồm ID, tên ngón tay, trạng thái xóa mờ (Obl), các phiên bản được thay đổi tổng hợp với ba mức thay xoay giữa (CR) và cắt chữ Z (Zcut) [14]. Hình 2. Tập dữ liệu 6000 ảnh thực của 600 người Hình 3. Tập dữ liệu 17.931 ảnh đã thay đổi mức dễ Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022 25
NGHIÊN CỨU KHOA HỌC Hình 4. Tập dữ liệu 17.067 ảnh đã thay đổi mức trung bình Hình 5. Tập dữ liệu 14.272 ảnh đã thay đổi mức khó Hình 6. Phân bổ tập data set 26 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Các bước tiền xử lý bao gồm thay đổi kích thước thành 96 × 96 pixel, chuyển đổi sang định dạng mảng, chuyển sang thang độ xám. Sau đó sử dụng scikit- learn One-Hot-Encoding để tạo nhãn lớp cho mỗi hình ảnh. Trong kỹ thuật này, mỗi véctơ giá trị nhãn đầu ra được chuyển đổi thành dạng mới, trong đó chỉ có 1 đầu ra bằng “1” ứng với mã phân loại của véc-tơ đầu vào tương ứng còn các đầu ra khác đều bằng “0”. Tập hình ảnh này gọi là tập huấn luyện. Trong nghiên cứu này sử dụng 6.000 hình ảnh thực, 17.931 ảnh ở mức dễ, 17.067 ảnh ở mức độ trung bình và 14.272 ảnh ở mức độ khó sau khi đã biến đổi chứa các trạng thái xóa mờ, xoay phải và cắt hình Z làm dữ liệu huấn luyện mô hình; sử dụng Image Data Generator để tạo thêm dữ liệu huấn luyện và chuẩn hóa theo phân phối chuẩn các pixels của ảnh: Trung bình các pixels bằng 0, phương sai bằng 1. 2.3. Xây dựng và huấn luyện mô hình Trong bước này, chia dữ liệu thành tập huấn luyện chứa các hình ảnh mà mô hình CNN sẽ được huấn luyện, tập xác thực là tập sử dụng để lựa chọn mô hình phù hợp trong số các ứng viên được huấn luyện, tập kiểm tra với các hình ảnh mà mô hình sẽ kiểm tra với tỷ lệ 0,6; 0,2; 0,2 một cách ngẫu nhiên. Sau đó, xây dựng mô hình CNN với các lớp khác nhau như MaxPool2D với trọng số 2×2, Flatten, Dropout và Dense. Trong lớp Dense cuối cùng, sử dụng hàm softmax để xuất ra một vectơ thể hiện xác suất của mỗi lớp. CNN có cấu trúc khá sâu, với 3 lớp convolution2D+pooling, kích thước tăng dần từ 32, 64, 128 với kernel 5×5, hàm kích hoạt là relu; mỗi lớp kèm theo 1 lớp dropout 0,3; 0,4. Lớp đầu tiên, Conv2D bao gồm 32 bộ lọc và chức năng kích hoạt ‘relu’ với kích thước hạt nhân (5, 5). Lớp thứ hai, Conv2D bao gồm 64 bộ lọc và chức năng kích hoạt ‘relu’ với kích thước hạt nhân (5, 5). Lớp thứ 3, MaxPool có kích thước nhóm là (2, 2). Lớp thứ 4, Conv2D bao gồm 128 bộ lọc và chức năng kích hoạt ‘relu’ với kích thước hạt nhân (3, 3). Lớp thứ 5, Flatten được sử dụng để làm phẳng tất cả đầu vào của nó thành một chiều duy nhất. Lớp thứ 6, Dense bao gồm 256 nơ-ron và chức năng kích hoạt ‘relu’. Lớp thứ 7, Dropout có giá trị là 0,4. Lớp thứ 8 và lớp cuối cùng bao gồm chức năng kích hoạt ‘softmax’. Hình 7. Mô hình 1 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022 27
NGHIÊN CỨU KHOA HỌC 𝑅𝑅(𝑤𝑤) = ‖𝑤𝑤‖2 l2 regularization: 2 (2) 1 𝐽𝐽(𝑤𝑤) = ‖𝑦𝑦 − 𝑋𝑋𝑋𝑋‖2 + 𝜆𝜆‖𝑤𝑤‖2 Suy ra loss: 2 2 2 (3) Việc tối ưu hóa mô hình cũng đồng nghĩa với việc làm giảm hàm loss, điều này dẫn đến giảm weight. Dropout regularization: Giúp tránh overfitting cũng gần giống như regularization bằng cách bỏ đi random p% node của layer, giúp cho mô hình bớt phức tạp (p thuộc [0,2; 0,5]). Batch Normalization: Làm bề mặt hàm loss trở nên mịn màng hơn, tối ưu hàm mục tiêu sẽ trở nên dễ dàng và nhanh chóng hơn. Nói cách khác, nó giúp ổn định sự phân bố của đầu vào các layer trong quá trình huấn luyện. EarlyStopping: Tới một epoch nào đó thì loss của tập train sẽ tiếp tục giảm nhưng loss của tập test không giảm mà tăng trở lại. Vì vậy để ngăn chặn, tại thời điểm đó sẽ dừng việc training để tiết kiệm tài nguyên. ReduceLROnPlateau: Hệ số giúp triệt tiêu độ lớn của learning rate theo thời gian huấn luyện nhằm tránh giá trị của chúng quá cao ở những giai đoạn trọng số mô hình đã đi vào hội tụ. Trong nghiên cứu này sử dụng ReduceLR từ 0,000000001 đến 0,0000001. Trong quá trình xây dựng mô hình sử dụng công cụ TensorBoard phục vụ cho việc trực quan hóa dữ liệu để điều chỉnh tham số mô hình. 3. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN Tiến hành train trên máy tính GPU,Tesla P100-PCIE- 16GB, RAM 13GB, disk 73GB. Dữ liệu thực hiện huấn luyện được lấy tại Sokoto Coventry Fingerprint Dataset với ID, tên ngón tay và các trạng thái xóa mờ, xoay phải và cắt hình chữ Z. Để đánh giá tập trọng số cần xác định lỗi cho cả huấn luyện (loss) và kiểm chứng (val_loss) sử dụng hàm loss là categorical_ crossentropy cho bài toán đa lớp. Cụ thể, tính toán loss như sau: 𝑛𝑛 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 = − ∑ 𝑦𝑦𝑖𝑖 . 𝑙𝑙 𝑙𝑙 𝑙𝑙𝑦𝑦𝑖𝑖 ̂ (4) 𝑖𝑖=1 Hình 8. Mô hình 2 ̂ 𝑖𝑖 là giá trị vô hướng thứ i trong đầu ra của mô hình; 𝑦𝑦 Trong đó: Trong khi xây dựng 2 mô hình đưa ra một số phương ̂ 𝑖𝑖 là giá trị mục tiêu tương ứng và n là kích thước 𝑦𝑦 pháp để ngăn chặn việc quá khớp overfitting như sau: L2 regularization: Kỹ thuật regularization là thêm vào hàm mất mát (loss) một đại lượng nữa. đầu ra, là số lượng giá trị vô hướng trong đầu ra của 𝐽𝐽 𝑟𝑟𝑟𝑟𝑟𝑟 (𝜃𝜃) = 𝐽𝐽(𝜃𝜃) + 𝜆𝜆𝜆𝜆(𝜃𝜃) mô hình. (1) Bảng 1. Đánh giá mô hình sau 20 epoch Đại lượng này sẽ tác động đến hàm loss. Cụ thể: Nếu Thời gian loss acc val_loss val_acc lớn thì ảnh hưởng của đại lượng thêm vào lên hàm loss (s) (%) (%) (%) (%) cũng lớn và ngược lại nếu nhỏ thì ảnh hưởng của nó 22 6,5988 0,0020 9,5785 0,0020 lên hàm loss cũng nhỏ. Nhưng cũng không được quá 22 6,3607 0,0060 6,1960 0,0161 lớn vì nếu quá lớn thì đại lượng thêm vào sẽ lấn át loss và mô hình xây dựng sẽ bị sai (underfitting). 22 5,7493 0,0347 4,7961 0,1990 28 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Thời gian loss acc val_loss val_acc Hơn nữa, để kiểm định hiệu năng của mô hình phân (s) (%) (%) (%) (%) loại, cần tính toán tỷ lệ chính xác trung bình trên tất cả 22 3,9871 0,2345 1,4340 0,8710 các dự đoán sử dụng thang đo ma trận nhầm lẫn. 22 1,2565 0,7394 0,1954 0,9932 22 0,7784 0,8431 0,4217 0,9571 22 0,5567 0,8957 0,3164 0,9715 22 0,4335 0,9257 0,2704 0,9768 22 0,3844 0,9321 0,2504 0,9803 22 0,3674 0,9550 0,2174 0,9848 22 0,2725 0,9638 0,1153 0,9967 22 0,2219 0,9710 0,0987 0,9971 22 0,1608 0,9836 0,0899 0,9970 22 0,1365 0,9879 0,0907 0,9976 22 0,1177 0,9928 0,0853 0,9977 Hình 11. Giá trị Accuracy của training và validation 22 0,1092 0,9935 0,0841 0,9978 tên ngón tay 22 0,1062 0,9934 0,0841 0,9978 22 0,1049 0,9933 0,0828 0,9980 22 0,1013 0,9945 0,0838 0,9980 22 0,0989 0,9990 0,0833 0,9973 Hình 12. Giá trị Accuracy của training và validation danh tính chủ nhân Đây là tỷ lệ của tất cả trường hợp phân loại đúng (không phân biệt negative/positive) trên toàn bộ trường Hình 9. Giá trị loss của training và validation của mô hình hợp trong mẫu kiểm tra. nhận dạng tên ngón tay Hình 10. Giá trị loss của training và validation danh tính Hình 13. Ma trận nhầm lẫn giữa nhãn thực và dự đoán chủ nhân Sau đó sử dụng thuật toán gradient descent “adam” Tiến hành huấn luyện với tốc độ học 0,0001, sau 20 (Adaptive Moment Estimator) để tối ưu mô hình [15]. epoch với số số lượng mẫu (Batch_size) sử dụng cho Hàm loss này là một thước đo để phân biệt hai phân mỗi lần cập nhật trọng số là 64 ta thu được kết quả phối xác suất rời rạc với nhau như thế nào. (Bảng 1 và Hình 9). Như Bảng 1 có thể thấy, sau 20 Trong đó: epoch, mô hình đạt được độ chính xác trên 99,7% trên yi là xác suất xảy ra sự kiện i và tổng của tất cả yi là bộ thử nghiệm (bộ kiểm tra). Đây là một giá trị tương 1, có nghĩa là chính xác một sự kiện có thể xảy ra và đối cao. đảm bảo rằng giá trị loss sẽ nhỏ hơn khi các phân phối gần nhau hơn. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022 29
NGHIÊN CỨU KHOA HỌC [4]. Ho Kah Weng (2020), Fingerprint classification using Support Vector Machine, A report submitted to Universiti Tunku Abdul Rahman in partial fulfillment of the requirements for the degree of Bachelor of computer science (hons) Faculty of Information and Communication Technology (Perak Campus). [5]. Shemmary ENAAl. (2012), Classification of fingerprint images using neural networks technique, J Eng (JOE);1(3):40-8. Hình 14. Giá trị Accuracy và Loss [6]. Leung KC, Leung CH. (2011), Improvement of fingerprint retrieval by a statistical classifier, IEEE Chọn ngẫu nhiên một dấu vân tay từ dữ liệu thử Trans Inform Forens Secur; 6(1):59-69. nghiệm để dự đoán cả Id và tên ngón tay của ảnh đó, kết quả như sau: [7]. Wan GC, Li MM, Xu H, Kang WH, Rui JW, Tong MS (2020), XFinger-net: Pixel-wise segmentation method for partially defective fingerprint based on attention gates and U-net; 20:4473. [8]. AlShehri H, Hussain M, AboAlSamh H, AlZuair M. (2018), A large-scale study of fingerprint matching systems for sensor interoperability problem, 18:1008. [9]. Wu F, Zhu J, Guo X. (2020), Fingerprint pattern Hình 15. Kết quả tay cái bên trái ID=90 identification and classification approach based 4. KẾT LUẬN on convolutional neural networks, Neural Comput Appl;32: 5725-34. Kết quả nghiên cứu cho thấy nhận dạng đối tượng qua dấu vân tay dùng kỹ thuật học sâu có độ chính xác khá [10]. Takahashi, A., Koda, Y., Ito, K., & Aoki, T (2020), cao, tiết kiệm bộ nhớ và thời gian thực hiện do trong Fingerprint feature extraction by combining quá trình xây dựng và huấn luyện mô hình đã xóa tập texture, minutiae and frequency spectrum using dữ liệu tạm thời của 1 mô hình sau đó tải lại khi cần sử multi-task CNN, arXiv preprint arXiv:2008.11917. dụng. Độ chính xác của đề xuất trong nghiên cứu này [11]. Borra SR, Reddy GJ, Reddy E (2018), có thể áp dụng vào thực tế xác thực danh tính trong Classification of fingerprint images with the aid hệ thống điểm danh, chấm công và các hệ thống bảo of morphological operation and AGNN classifier, mật tự động khác. Appl Comput Inform 14: 166-76. [12]. Peralta D, Triguero I, García S, Saeys Y, Benitez TÀI LIỆU THAM KHẢO JM, Herrera F (2018), On the use of convolutional neural networks for robust classification of multiple [1]. Evans, D., & Parish, S (2015), Predicting the First fingerprint captures, Int J Intell Syst; 33:213-30. Recorded Set of Identical Fingerprints, Journal of [13]. Mamadou Diarra, Ayikpa Kacoutchy Jean, Ballo Interdisciplinary Science, Volume 4, 76. Abou Bakary, Kouassi Brou Médard (2021), [2]. Win KN, Li K, Chen J, Viger PF, Li K (2020), Study of Deep Learning Methods for Fingerprint Fingerprint classification and identification Recognition, International Journal of Recent algorithms for criminal investigation: A survey, Fut Technology and Engineering (IJRTE) ISSN: Gener Comput Syst, 110:758-71. 2277-3878 (Online), Volume-10 Issue-3. [3]. Nazarkevych M, Riznyk O, Samotyy V, [14]. https://doi.org/10.48550/arXiv.1807.10609. Dzelendzyak U (2019), Detection of regularities [15]. Kingma and J. Ba (2020), Adam: A Method for in the parameters of the Ateb-Gabor method Stochastic Optimization, arXiv.org: https://arxiv. for biometric image filtration, East Eur J Enterp org/abs/1412.6980. Technol;1(2–97):57-65. 30 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA THÔNG TIN TÁC GIẢ Phạm Thị Hường - Năm 2017: Tốt nghiệp Thạc sĩ ngành CNTT, Trường Đại học Sư phạm Hà Nội. - Tóm tắt công việc hiện tại: Giảng viên khoa CNTT, Trường Đại học Sao Đỏ. - Lĩnh vực quan tâm: Phát hiện đối tượng trong ảnh, mạng tích chập CNN, Phát triển ứng dụng di động. - Điện thoại: 0972306806 Email: pthuong@saodo.edu.vn Trương Văn Tuấn - Năm 2019 - nay: Sinh viên khoa Công nghệ thông tin, Trường Đại học Sao Đỏ. - Lĩnh vực quan tâm: Trí tuệ nhân tạo, học sâu, phát triển ứng dụng di động. - Điện thoại: 0981036043 Email: tuan28dk10cntt@gmail.com Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 3 (78) 2022 31

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.