Phát hiện lòng bàn tay trực tiếp và nhận dạng người sử dụng mô hình tetra cấu trúc vi mô cục bộ
Bài báo này đề xuất một phương pháp không tiếp xúc nhằm phát hiện lòng
bàn tay trực tiếp và nhận diện lòng bàn tay người, thực hiện trên máy tính nhúng
Raspeberry Pi 4. Một tập các hình ảnh về lòng bàn tay được chụp nhờ camera, sau đó
lòng bàn tay được xác định. Các hình ảnh này sẽ được đưa qua một thuật toán xác định
lòng bàn tay người thực thông qua việc tính toán sự thay đổi của cường độ sáng tương
ứng với sự thay đổi lưu lượng máu trong một chu kỳ tuần hoàn. Sau khi đã xác định đó là
hình ảnh lòng bàn tay người trực tiếp, chứ không phải là ảnh in hay giả, lòng bàn tay
người sẽ được nhận dạng và định danh qua mô hình cấu trúc vi mô cục bộ để chứng thực
xem người đó có phải nằm trong cơ sở dữ liệu hay không và đó là ai. Thuật toán được
thực hiện trên cơ sở dữ liệu gồm 15 người, cho độ chính xác 89% với bước xác định người
trực tiếp, và 91% với nhận dạng và định danh người.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Phát hiện lòng bàn tay trực tiếp và nhận dạng người sử dụng mô hình tetra cấu trúc vi mô cục bộ
Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 73, 06 - 2021 29 PHÁT HIỆN LÒNG BÀN TAY TRỰC TIẾP VÀ NHẬN DẠNG NGƯỜI SỬ DỤNG MÔ HÌNH TETRA CẤU TRÚC VI MÔ CỤC BỘ Phạm Văn Trường*, Trần Thị Thảo, Đào Văn Hậu Tóm tắt: Bài báo này đề xuất một phương pháp không tiếp xúc nhằm phát hiện lòng bàn tay trực tiếp và nhận diện lòng bàn tay người, thực hiện trên máy tính nhúng Raspeberry Pi 4. Một tập các hình ảnh về lòng bàn tay được chụp nhờ camera, sau đó lòng bàn tay được xác định. Các hình ảnh này sẽ được đưa qua một thuật toán xác định lòng bàn tay người thực thông qua việc tính toán sự thay đổi của cường độ sáng tương ứng với sự thay đổi lưu lượng máu trong một chu kỳ tuần hoàn. Sau khi đã xác định đó là hình ảnh lòng bàn tay người trực tiếp, chứ không phải là ảnh in hay giả, lòng bàn tay người sẽ được nhận dạng và định danh qua mô hình cấu trúc vi mô cục bộ để chứng thực xem người đó có phải nằm trong cơ sở dữ liệu hay không và đó là ai. Thuật toán được thực hiện trên cơ sở dữ liệu gồm 15 người, cho độ chính xác 89% với bước xác định người trực tiếp, và 91% với nhận dạng và định danh người. Từ khóa: Xác định lòng bàn tay; Chứng thực người thông qua lòng bàn tay; Phương pháp thành phần chính PCA; Biểu đồ mẫu nhị phân cục bộ LBPH; Mô hình tetra cấu trúc vi mô cục bộ LMTrP. 1. ĐẶT VẤN ĐỀ Nhận dạng hay nhận biết một đối tượng thông qua các giác quan là một đặc điểm quan trọng giúp phân biệt được các sự vật hiện tượng và cảm nhận được thế giới xung quanh. Các phương pháp nhận dạng truyền thống dựa trên vân tay và khuôn mặt tuy có những ưu điểm như trực quan và thuận lợi, nhưng cũng có những khó khăn khi giải quyết các vấn đề như yêu cầu tiếp xúc trực tiếp ở vân tay, và trên khuôn mặt khi có thay đổi về biểu cảm hay khi có khẩu trang hoặc tình huống có cặp song sinh. Hiện nay, các giải pháp sinh trắc học dựa trên lòng bàn tay đã được nghiên cứu. Lòng bàn tay chứa các đặc điểm cấu trúc đặc biệt, chẳng hạn như các đường vân, các điểm nhỏ và các mẫu kết cấu. Bên cạnh đó, nhận diện lòng bàn tay có tính bảo vệ quyền riêng tư hơn so với nhận diện khuôn mặt, Hơn nữa, so với các phương thức sinh trắc học khác như mống mắt hay dấu vân tay thì nhận dạng lòng bàn tay có chi phí thấp, độ chính xác cao, và thân thiện với người dùng. Bài toán nhận diện lòng bàn tay có nhiều ứng dụng trong thực tế. Có thể kể đến một số ứng dụng điển hình như: 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. Trong bảo mật, công nghệ nhận diện lòng bàn tay 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 mật khẩu như thông thường. Một số ứng dụng an ninh khác có thể kể đến như trong điều khiển vào ra nhà ở, văn phòng, công ty, kết hợp với sử dụng thẻ hoặc thông tin khác cho phép chủ nhà, nhân viên ra vào, điểm danh. Với sự phát triển mạnh mẽ của trí tuệ nhân tạo và kỹ thuật máy tính, nghiên cứu nhận diện lòng bàn tay đã có nhiều thành tựu [1-3]. Bài toán nhận diện lòng bàn tay người tuy là một lĩnh vực được nghiên cứu khá sớm nhưng hiện vẫn còn có một số vấn đề khó cần giải quyết, nhất là đối với phương pháp không tiếp xúc như trong nghiên cứu này. Có thể kể đến những khó khăn của bài toán nhận lòng bàn tay người như góc chụp và yêu cầu chất lượng ảnh. Về góc chụp, ảnh chụp lòng bàn tay có thể thay đổi rất nhiều bởi góc chụp giữa camera và bàn tay. Chẳng hạn như: chụp thẳng, chụp chéo bên trái, bên phải ở các góc khác nhau, Ngoài ra, 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 khá nhiều đến chất lượng ảnh lòng bàn tay [1, 4]. Để giải quyết các vấn đề này, một hướng nghiên cứu gần đây nhận được nhiều sự quan tâm là xét các bộ mô tả kết cấu cục Kỹ thuật điều khiển & Điện tử 30 P. V. Trường, T. T. Thảo, Đ. V. Hậu, “Phát hiện lòng bàn tay cấu trúc vi mô cục bộ.” bộ địa phương được thiết kế để phù hợp với thay đổi về tỷ lệ, xoay, dịch và chiếu sáng [5-6]. Trong hầu hết các nghiên cứu về sinh trắc học nhận diện bàn tay, các đề xuất tập trung chủ yếu ở bài toán tăng cường chất lượng hình ảnh cũng như nhận dạng chính xác từ hình ảnh lòng bàn tay. Bài toán phát hiện trực tiếp bàn tay trước khi đưa vào nhận diện trong các ứng dụng định danh còn ít được quan tâm. Thực tế, việc phát hiện bàn tay trực tiếp có ý nghĩa khi cần chứng thực hình ảnh lòng bàn tay từ người trong cơ sở dữ liệu tương ứng là của người đang xét. Đó cần là ảnh thực có sự hiện diện của người cần định danh chứ không phải bàn tay của người đó do ảnh in ra hay từ các thiết bị khác như điện thoại thông minh được đưa vào máy quét. Việc phát hiện trực tiếp này có ý nghĩa quan trọng trong việc loại trừ được khả năng có kẻ xấu lợi dụng có được hình ảnh lòng bàn tay của chủ tài khoản hay của nhân ... BP , 1 3BP 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 Đối với mỗi thành phần P, thực hiện chia hình ảnh tương ứng thành các khối 5x5. Tiếp đến là tính toán biểu đồ cho pixel trong mỗi khối. Cuối cùng ta nối từng biểu đồ theo hàng với nhau. 2.3.3. 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. Mục đích của bước này là để giảm số chiều dữ liệu nhằm tăng hiệu năng tính toán và giảm dung lượng bộ nhớ. 2.3.4. 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[ , ,..., ]nF a a a và 2 1 2[ , ,..., ]nF 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, 2j 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. 3. THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 3.1. Thu thập dữ liệu Trong nghiên cứu này, chúng tôi triển khai phương pháp phát hiện lòng bàn tay thật dựa trên sự thay đổi màu sắc da, từ đó, ước lượng nhịp tim của đối tượng để đưa ra kết quả là người thật hay giả mạo. Để đảm bảo tốc độ xử lý cũng như độ chính xác trên máy tính nhúng Raspberry Pi, chúng tôi thực hiện ghi hình video 10 giây sau đó tính toán để trích xuất được các giá trị trung bình trên ba kênh màu. Raspberry Pi là một máy tính có giá thành rẻ, nhỏ gọn nhưng có nhược điểm là tốc độ xử lý không cao. Để đảm bảo chạy được hệ thống đa nhiệm, thời gian thực ta cần tối ưu hóa các tác vụ không cần thiết, chiếm nhiều dung lượng bộ nhớ nhất là chế độ trực tuyến camera thời gian thực. Tình huống đặt ra là hệ thống sẽ chỉ thực hiện bật camera và tự động chụp ảnh khi phát hiện có người đứng trước nó trong phạm vi khoảng cách quy định. Chúng tôi đã sử dụng cảm biến khoảng cách HC-SR04 cho nhiệm vụ này. Cảm biến đo khoảng cách này hoạt động theo nguyên lý thu phát sóng âm. Nó có nhiệm xác định xác định vật cản trong khoảng cách 15cm được cài đặt theo chương trình. Để tăng độ tin cậy về sự xuất hiện vật cản, chúng tôi thực hiện đọc giá trị cảm biến 2 lần trong 2 giây, nếu khoảng cách đọc được 2 lần đều dưới 15cm thì thực hiện bật camera, ngược lại sẽ duy trì trạng thái đọc tiếp. Việc duy trì trạng thái đọc cảm biến để kích hoạt bật camera có ưu điểm là tiết kiệm năng lượng, tốc độ xử lý nhanh hơn việc duy trì trạng thái bật camera liên tục. Quá trình triển khai hoạt động chúng tôi thực hiện thu thập thập dữ liệu cho 15 người. Mỗi người sẽ được lấy 10 bức ảnh ở các góc xoay khác nhau, trong các khoảng thời gian sáng, trưa, tối. Điều này sẽ làm tăng tính đa dạng lấy mẫu cho mỗi lòng bàn tay. Sau đó, thực hiện đưa dữ liệu ảnh qua các bước tiền xử lý, dán nhãn, lưu vào từng thư mục riêng cho mỗi người. Tiếp đến, chúng tôi thực hiện huấn luyện lại một mô hình chính cho việc trích xuất đặc trưng kết cấu vi mô Kỹ thuật điều khiển & Điện tử 36 P. V. Trường, T. T. Thảo, Đ. V. Hậu, “Phát hiện lòng bàn tay cấu trúc vi mô cục bộ.” cục bộ, lưu chúng vào một tệp. Việc triển khai này phù hợp với các bài toán điểm danh công nhân viên, học sinh khi đã có đầy đủ dữ liệu hình ảnh của họ. Trong hướng tiếp cận triển khai một ứng dụng an ninh, chúng tôi thực hiện bổ sung thêm một lớp là người lạ (Unknown) gồm các ảnh chứa các lòng bàn tay của nhiều người lạ. Chúng tôi thực hiện thu thập các hình ảnh của các lòng bàn tay đa dạng của những người khác nhau và phải khác biệt so với các lòng bàn tay trong các lớp định danh đã có, tiền xử lý ảnh, trích xuất vectơ đặc trưng và lưu vào tệp riêng. 3.2. Kiểm tra và đánh giá bước xác định lòng bàn tay trực tiếp Sau khi xác định được vùng ROI trên lòng bàn tay, ta tiến hành lấy giá trị mức xám trung bình của các hình ảnh liên tiếp trong chuỗi video thu thập được. Các giá trị mức xám tương ứng với cường độ sáng ở lòng bàn tay được tính cho cả ba kênh màu R, G, B, Các tín hiệu thu được từ các kênh R, G, B đầu tiên được đưa qua bộ lọc Butterworth bậc 4, với tần số cắt trong dải [0.2 4] Hz. Sau đó, tín hiệu sau bộ lọc được đưa qua hàm tìm kiếm đỉnh (peak). Peak được xác định là điểm cực trị mà tại đó, giá trị biên độ tương ứng của nó lớn hơn 10% giá trị của biên độ tối đa trên toàn tín hiệu. Cuối cùng, dựa trên tổng số điểm peak np trong khoảng thời gian T (tính bằng giây) của tín hiệu, ta có thể ước lượng được nhịp tim theo công thức : 60pHR n T (9) Chúng tôi thực hiện thu thập dữ liệu, kiểm tra đánh giá việc nhận biết lòng bàn tay trực tiếp của hệ thống trên 15 người khác nhau. Cụ thể, 15 hình lòng bàn tay được in lên giấy và 15 người thật. Chúng tôi thực hiện ghi hình 2 video có độ dài 10 giây cho mỗi lòng bàn tay ở thời điểm khách nhau để kiểm tra sự thay đổi tín hiệu cường độ điểm ảnh trung bình. Kết quả đánh giá độ chính xác của bước phát hiện lòng bàn tay trực tiếp được tổng hợp trong bảng 1. Kết quả thực nghiệm như bảng 1 cho thấy, phương pháp phát hiện lòng bàn tay trực tiếp có kết quả khá tốt. Với các đối tượng là người thật nhịp tim ước lượng tương ứng với nhịp tim của người bình thường (kênh màu xanh lá cây cho kết quả tốt nhất trong 3 kênh màu). Đây là một giải pháp giúp tăng tính bảo mật cho hệ thống đảm bảo đối tượng tương tác với hệ thống là người thật, chống lại sự giả mạo. Nhịp tim của đối tượng sau khi được ước lượng sẽ được dùng làm cơ sở để đánh giá xem đó là người thật hay giả mạo. Với các đối tượng có số điểm peak lớn hơn 8 tương ứng với nhịp tim tính được là 48 (nhịp/phút), ta xác định là người thật ngược lại thì sẽ là giả mạo. Bảng 1. Kết quả đánh giá phát hiện lòng bàn tay trực tiếp. Phát hiện người thật Phát hiện người giả Nhận biết đúng 13/15 14/15 Tỷ lệ đúng (%) 86% 93% 3.3. Kiểm tra và đánh giá bước nhận dạng lòng bàn tay Để thực hiện bài toán phân biệt lòng bàn tay, chúng tôi sử dụng mô hình Tetra cấu trúc vi mô cục bộ để trích xuất các đặc tính và ghép chúng lại thành một vector đặc trưng thể hiện cho hình ảnh lòng bàn tay. Sau đó, KPCA được áp dụng lên vector đặc trưng để giảm kích thước. Cuối cùng, trong quá trình phân loại, ta sử dụng khoảng cách Euclide để xác định đối tượng có nằm trong tập dữ liệu hay không. Tiếp đến dựa vào khoảng cách để tìm “cụm” mà ta gắn vector (embedding vector) đó thuộc về, từ đó suy ra danh tính người được chọn. Hình 5 minh họa kết quả của một ví dụ nhận diện lòng bàn tay. Trong ví dụ này, hình ảnh lòng bàn tay thử nghiệm của đối tượng trong cơ sở dữ liệu được thu thập với điều kiện độ sáng và độ xoay khác nhau. Ta có thể thấy, với độ sáng và xoay hướng khác nhau, như ở hình 5a, hệ thống vẫn xác định đúng Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 73, 06 - 2021 37 đối tượng cần định danh. Cũng trong ví dụ này, với một số hình ảnh lòng bàn tay của đối tượng không nằm trong cơ sở dữ liệu như ở hình 5b, hệ thống cũng trả đúng kết quả là thuộc lớp người lạ-Unknown. Sau quá trình triển khai cá nhân, ta thực hiện kiểm tra, đánh giá hệ thống trên cả 15 lòng bàn tay đã được định danh trong dữ liệu. Thực hiện kiểm tra trên cả 15 lòng bàn tay, mỗi người sẽ được kiểm tra 10 lần với cả tay trái và tay phải. Bên cạnh đó, chúng tôi cũng thực hiện kiểm tra trên thực tế trên 5 bàn tay lạ khác nhau (những bàn tay không phải của 15 người đã được định danh). Chúng tôi kiểm thử trên các lòng bàn tay người lạ và cả các lòng bàn tay chưa xuất hiện trong tập dữ liệu người lạ sẵn có. Mỗi bàn tay thực hiện kiểm tra 10 lần với tay trái và phải. Kết quả nhận diện lòng bàn tay được tổng hợp ở bảng 2. Từ bảng 2 ta thấy, kết quả nhận diện đạt kết quả trên 90% cho cả đối tượng trong tập dữ liệu cần định danh và đối tượng người lạ. Trường hợp nhận dạng sai trong quá trình thực nghiệm chủ yếu là do một vài đối tượng có đường nét khá tương đồng. Có thể khắc phục bằng cách giảm khoảng cách Euclide trong quá trình phân cụm. Tuy nhiên, người dùng cần thử nhiều lần vì khi đó, độ khớp giữa hai hình lòng bàn tay gần như phải tuyệt đối. Ngoài ra, một số trường hợp chưa đạt kết quả tốt là do đối tượng bị xoay một góc quá lớn vượt quá ngưỡng nhận diện được của hệ thống. Khi triển khai lắp đặt cần bổ sung các ràng buộc bằng câu lệnh cho người dùng, ví dụ như người dùng đặt tay vào đúng vị trí định trước. Với hệ thống hiện tại (máy tính Raspberry Pi 4 RAM 8GB, Quad core 64-bit 1.5GHz, bộ nhớ 32GB), thời gian xử lý cho một đối tượng trung bình khoảng 6 giây, trong đó lâu nhất là thời gian xác định lòng bàn tay thật của đối tượng do phải thu thập một tập hình ảnh (hết 4 giây) để tính sự thay đổi của cường độ sáng. 4. KẾT LUẬN Hình 5. Một số kết quả nhận dạng lòng bàn tay. (a) Kết quả định danh người trong cơ sở dữ liệu với ảnh chụp ở độ sáng và góc xoay khác nhau. (b) Ảnh lòng bàn tay ở các đối tượng không nằm trong cơ sở dữ liệu xét. Bài báo này đã đề xuất một phương pháp không tiếp xúc nhằm xác định lòng bàn tay trực tiếp và nhận dạng lòng bàn tay cho định danh người. Thuật toán được thực hiện trên máy tính nhúng Raspeberry Pi 4 hướng tới ứng dụng thời gian thực từ bước chụp ảnh, xử lý, và điều khiển cơ cấp chấp hành. Việc xác định lòng bàn tay trực tiếp được tính toán dựa trên sự thay đổi của cường độ sáng ở lòng bàn tay tương ứng với sự thay đổi lưu lượng máu trong chu kỳ bơm máu của tim. Bước nhận dạng lòng bàn tay để định danh người trong cơ sở dữ liệu cho trước được thực hiện qua mô hình cấu trúc vi mô cục bộ. Phương pháp đề xuất được thử nghiệm trên cơ sở dữ liệu (a) (b) Kỹ thuật điều khiển & Điện tử 38 P. V. Trường, T. T. Thảo, Đ. V. Hậu, “Phát hiện lòng bàn tay cấu trúc vi mô cục bộ.” gồm 15 người. Phương pháp xác định người trực tiếp cho độ chính xác 89%. Phương pháp nhận diện và định danh người đạt độ chính xác tới 91%, thể hiện tính hiệu quả của mô hình đề xuất. Trong tương lai, các tác giả sẽ tiến hành thu thập thêm các dữ liệu, kết hợp với các phương pháp học sâu để nâng cao độ chính xác của phương pháp để xuất. Bảng 2. Kết quả đánh giá nhận diện lòng bàn tay. Trong cơ sở dữ liệu Không trong cơ sở dữ liệu Nhận dạng đúng 271/300 92/100 Tỷ lệ đúng (%) 90% 92% Lời cảm ơn: Nghiên cứu này được tài trợ bởi trường Đại học Bách khoa Hà Nội (HUST) trong đề tài mã số: T2020- PC-017. TÀI LIỆU THAM KHẢO [1]. L. Fei, G. Lu, W. Jia, S. Teng, and D. Zhang, “Feature extraction methods for palmprint recognition: A survey and evaluation,” IEEE Trans. Syst., Man, Cybern., Syst., Vol. 49, No. 2 (2018), pp. 1-18. [2]. L. Leng, M. Li, L. Leng, and A. B. J. Teoh, “Conjugate 2DpalmHash code for secure palm-print- vein verification,” in Proc. of 6th Int. Congress on Image and Signal Processing (CISP), (2013), pp. 1705-1710. [3]. L. Leng, J. Zhang, M. K. Khan, X. Chen, and K. Alghathbar, “Dynamic weighted discrimination power analysis: a novel approach for face and palmprint recognition in DCT domain,” Int. Journal of Physical Sciences, Vol. 5, No. 17 (2010), pp. 2543–2554. [4]. A. Kumar, “Toward more accurate matching of contactless palmprint images under less constrained environments,” IEEE Trans. Inf. Forensic. Secur., Vol. 14, No. 1 (2019), pp. 34–47. [5]. C. Zaghetto, M. Mendelson, A. Zaghetto, and F. d. B. Vidal, “Liveness detection on touchless fingerprint devices using texture descriptors and artificial neural networks,” in Proc. 2017 IEEE Int. Joint Conference on Biometrics (IJCB), (2017), pp. 406–412. [6]. J. Y. Choi, Y. M. Ro, and K. N. Plataniotis, “Color local texture features for color face recognition,” IEEE Trans. Image Process., Vol. 21, No. 3 (2012), pp. 1366–1380. [7]. DCastaneda, AEsparza, MGhamari, CSoltanpur, H. Nazeran “A review on wearable photoplethysmography sensors and their potential future applications in health care”, Int J Biosens Bioelectron., Vol. 4, No. 4 (2018), pp. 195–202. [8]. M. Turk, A. Pentland, “Eigenfaces for recognition” Journal of Cognitive Neuroscience, Vol.3, No.1 (1991), pp. 71-86. [9]. P.N. Belhumeur; J.P. Hespanha; D.J. Kriegman, “Eigenfaces vs. Fisherfaces: recognition using class specific linear projection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No.7 (1997), pp. 711-720. [10]. T. Ahonen, A. Hadid, M. Pietikäinen, “Face Recognition with Local Binary Patterns”, Proc. of European Conference on Computer Vision., (2004), pp. 469-481. [11]. A. W. Kong and D. Zhang, “Competitive coding scheme for palmprint verification,” Proc. of the 17th International Conference on Pattern Recognition, (2004). [12]. S. A. Maadeed, X. Jiang, I. Rida, A. Bouridane, “Palmprint identification using sparse and dense hybrid representation,”. Multimedia Tools and Applications, Vol.78, (2019), pp 5665–5679. [13]. G. Li and J. Kim, “Palmprint recognition with Local Micro-structure Tetra Pattern,” Pattern Recognit., Vol. 61, (2017), pp. 29–46. [14]. L. Fei, G. Lu, W. Jia, S. Teng, D. Zhang, “Feature Extraction Methods for Palmprint Recognition: A Survey and Evaluation,” IEEE Trans. on Systems, Man, and Cybernetics: Systems, Vol. 49, No. 2 (2019), pp. 346- 363. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 73, 06 - 2021 39 ABSTRACT LIVENESS PALMPRINT DETECTION AND HUMAN RECOGNITION USING LOCAL MICRO-STRUCTURE TETRA PATTERN This paper proposes an approach for touchless detection of live palmprint and human recognition/identification. The method was implemented on Raspeberry Pi 4. The input palm print images are acquired by camera, from that the palm print areas are detected and extracted. Then, the region of interest in the palm print images are fed to a live palm print detection that is based on the changes of average image intensity in the image series according to blood flow changes in a circulation. After the object has detected as a live palm print case, the images are then applied to the human recognition/identification using Local Micro-structure Tetra Pattern. The experiments The proposed approach was applied on our acquired database including 15 subjects. The accuracy was up to 89% for live palm print detection, and 91% for human recognition/identification. Keywords: Palmprint detection; Palmprint-based human recognition/identification; PCA (Principal Components Analysis); LBPH (Local Binary Patterns Histograms); LMTrP (Local Micro-structure Tetra Pattern). Nhận bài ngày 09 tháng 12 năm 2020 Hoàn thiện ngày 09 tháng 4 năm 2021 Chấp nhận đăng ngày 10 tháng 6 năm 2021 Địa chỉ: Trường Đại học Bách khoa Hà Nội. * Email: truong.phamvan@hust.edu.vn.
File đính kèm:
- phat_hien_long_ban_tay_truc_tiep_va_nhan_dang_nguoi_su_dung.pdf