Xây dựng thư viện nhận dạng vân tay trên họ ARM

Trang 88 Chương 6 Xây dựng thư viện nhận dạng vân tay trên họ ARM " Nội dung của chương này sẽ trình bày kiến trúc hệ thống nhận dạng vân tay và mô tả chi tiết các thuật toán nhận dạng vân tay nào đuợc xây dựng trên họ vi xử lý ARM; từ việc chuẩn hóa, tăng cường, rút trích đặc trưng, … đến việc đối sánh vân tay. Ngoài ra, chương này còn trình bày một vài cải tiến để thuật toán nhận dạng vân tay phù hợp trên họ vi xử lý ARM. 6.1 Các vấn đề khi xây dựng thư viện nhận dạng vân tay trên họ ARM 6.1.1 Khả năng tính toán Một trong các hạn chế của họ ARM là khả năng tính toán của vi xử lý. Vi xử lý họ ARM dùng trong luận văn này là EP9315-CB có tốc độ xử lý 200MHz; chậm hơn nhiều so với máy tính để bàn thông thường, tốc độ này bằng khoảng 1/10 tốc độ của máy tính cá nhân. Còn tốc độ tính toán trên số thực còn thấp hơn rất nhiều (chậm hơn 60 lần). Một vấn đề khác là vi xử lý EP9315-CB sử dụng bộ xử lý RISC chỉ thực hiện một lệnh trong một chu kỳ CPU nên thời gian tính toán sẽ kéo dài hơn. Các phép toán trong bộ thư viện nhận dạng vân tay có yêu cầu về tốc độ tính toán rất lớn. Để thực hiện việc nhận dạng vân tay cần rất nhiều thao tác tính toán số học khá phức tạp. Các phép tính được thao tác nhiều trên số thực, đồng thời thực hiện sin, cos rất tốn tài nguyên bộ xử lý; do đó, việc xây dựng thư viện nhận dạng vân tay phải xem xét kỹ và tối ưu hóa về mặt xử lý tính toán để làm giảm thời gian chờ cho người sử dụng. Trang 89 6.1.2 Khả năng lưu trữ Bo mạch NK9315 có bộ nhớ lưu trữ nhỏ và không gian bộ nhớ để thực thi chương trình cũng bị hạn chế. Mặc dù đã có các thiết bị thẻ nhớ để làm tăng bộ nhớ nhưng việc hạn chế về khả năng lưu trữ của bo mạch NK9315 cũng gây khó khăn cho lập trình viên xây dựng bộ thư viện và các ứng dụng. Điều này dẫn đến việc bộ thư viện trên bo mạch NK9315 phải được tối ưu về kích thước tập tin thực thi và lượng bộ nhớ sử dụng trong khi thi hành chương trình. Bộ thư viện và ứng dụng cần một lượng bộ nhớ để có thể lưu trữ các thông tin về mẫu đặc trưng vân tay của người dùng. Số lượng mẫu đặc trưng vân tay của người dùng cần lưu trữ nhiều thì sẽ chiếm khá nhiều bộ nhớ của bo mạch NK9315; do đó, cấu trúc dùng để lưu trữ cho các mẫu đặc trưng vân tay cần phải tổ chức cấu trúc lưu trữ sao cho ít tốn bộ nhớ mà vẫn đảm bảo cho việc đối sánh vân tay. 6.1.3 Mức độ hỗ trợ của các thư viện lập trình Do bo mạch NK9315 cài đặt hệ điều hành Embedded Linux, nên các thư viện lập trình hỗ trợ trên hệ điều hành này hạn chế. Để xây dựng bộ thư viện và các ứng dụng thì hầu hết chỉ sử dụng thư viện chuẩn C/C++. Việc tính toán các phép toán trên số thực của bo mạch NK9135 có sai số (không có độ chính xác bằng thư viện lập trình trên Window hay Linux). Điều này dẫn đến độ chính xác đối sánh vân tay cũng giảm. Công cụ để hỗ trợ lập trình cho bo mạch NK9135 gần như là không có. Để biên dịch thư viện hay ứng dụng thì phải làm hoàn toàn bằng tay; mở tập tin văn bản thô sơ, và gõ lệnh command line để làm. 6.2 Các giải pháp cụ thể Thực hiện xây dựng bộ thư viện nhận dạng vân tay đòi hỏi phải có các tính chất quyết định sau: • Độ chính xác của các thuật toán phải đạt ở mức cao. • Tốc độ thuật toán ở mức thời gian thực. Trang 90 Với những hạn chế đã nêu ở trên mà vẫn đảm bảo tốc độ thực hiện. Việc cài đặt thuật toán phải làm trên các số nguyên thay cho các phép toán số thực. Nhưng ta phải đánh đổi độ chính xác của thuật toán; nghĩa là độ chính xác của thuật toán giảm xuống. Các giải pháp có thể đề cập đến trong quá trình xây dựng thư viện nhận dạng vân tay là sử dụng các thư viện sẵn. 6.3 Xây dựng kiến trúc hệ thống nhận dạng vân tay trên họ ARM 6.3.1 Xây dựng thư viện vân tay Hình 6.1 Kiến trúc chung của hệ thống nhận dạng vân tay. Kiến trúc xây dựng hệ thống nhận dạng vân tay trên họ vi xử lý ARM gồm ba thành phần chính: 1. Thư viện nhận dạng vân tay SFSLib cung cấp các thành phần xử lý chính như: o Đọc tập tin và các thông tin từ ảnh vân tay; phần xử lý này được cài đặt trong phần Image Modules). Trang 91 o Tăng cường ảnh; phần xử lý này được cài đặt thành hàm FP_PreProcessing. o Rút trích đặc trưng; phần xử lý này được cài đặt thành hàm FP_Extract. o Đối sánh vân tay; phần xử lý này được cài đặt thành hàm FP_Matching. 2. Phần xử lý với đầu đọc vân tay cung cấp các thành phần đọc dữ liệu do thiết bị đầu đọc vân tay truyền xuống để hệ thống nhận dạng được thiết bị. 3. Phần xử lý lưu trữ cung cấp các thành phần xử lý nhằm lưu trữ các đặc trưng của các dấu vân tay đã được đăng ký vào hệ thống. Việc này cần thiết cho việc nhận dạng dấu vân tay. 6.3.2 Xây dựng cấu trúc mẫu đặc trưng đã được rút trích Việc xây dựng cấu trúc mẫu đặc trưng đã được rút trích dùng cho mục đích tránh phải rút trích đặc trưng nhiều lần trên cùng một vân tay, giúp cho việc tiết kiệm thời gian khi đối sánh vân tay. Hình 6.2 Các thành phần của mẫu đặc trưng đã được rút trích. Cấu trúc mẫu đặc trưng vân tay đã được rút trích gồm các thành phần: • m_nCore: số điểm core. Trang 92 • m_pCore: mãng chứa các điểm core. • m_pDist: mãng chứa các khoảng cách giữa các đặc trưng. • m_pDir: mãng chứa các hướng giữa 1 đặc trưng với 2 đặc trưng lân cận nó. • m_pCross: mãng chứa giá trị đếm số vân giữa 2 đặc trưng. • m_nMinutiae: số đặc trưng đã được rút trích. • m_pMinutiae: mãng chứa các đặc trưng đã được rút trích; bao gồm tọa độ (x,y) và hướng của đặc trưng. 6.4 Xây dựng thư viện nhận dạng vân tay 6.4.1 Tăng cường ảnh bằng phương pháp lọc Gabor 6.4.1.1 Đặt vấn đề Phương pháp lọc Gabor được triển khai bởi Lin Hong [32] là một trong những phương pháp Tăng cường ảnh vân tay phổ biến nhất hiện nay. Phương pháp này sẽ cho ra ảnh vân tay có chất lượng tốt sau khi được tăng cường. 6.4.1.2 Xây dựng thuật toán Hình 6.3. Khung thuật toán Tăng cường ảnh bằng phương pháp lọc Gabor. Fp_PreProcessing(SFSImage pImg) Begin call InitializeInt() call Segment() call Normalize(pImg) call EstimateOrient(pImg) call EstimateFrequency(pImg) call GaborFilter(pImg) end Hình 6.3 thể hiện toàn bộ các bước chính của thuật toán Tăng cường ảnh bằng phương pháp lọc Gabor [32]. Để tối ưu tốc độ chạy trên các họ vi xử lý ARM chúng tôi dùng các phương pháp sau để cài đặt mã chương trình cho thư viện SFSLib: Trang 93 • Đổi các tính toán số thực sang số nguyên; tính trước các giá trị số thực lưu vào trong một mãng, như: tính trước cos, sin, artan2. Đặc biệt phương pháp này rất hữu dụng với vi xử lý EP9315-CB mà chúng tôi đang dùng; vì vi xử lý này không hỗ trợ tính toán số thực. • Hạn chế sử dụng vòng lặp bằng cách dùng Macro để tránh việc nhảy mã lệnh nhiều lần làm phá vỡ pipeline [38]. • Thay thế những hàm được gọi nhiều trong thư viện bằng Macro [38]. • Sử dụng đếm ngược trong vòng lặp để tăng tốc độ [38]. • Lưu mảng 2 chiều thành mảng 1 chiều để truy xuất các phần tử trong mảng nhanh hơn. Hình 6.4 thể hiện thuật toán khởi tạo các thông số cần thiết phục vụ cho việc tính toán trên số nguyên thay cho số thực, như: mặt nạ Gabor số nguyên (g_nGaborInt), và các phép tính trước sin, cos. Việc khởi tạo này giúp tránh xử lý số thực để thuật toán chạy nhanh hơn ở trên họ vi xử lý ARM. Hình 6.4. Khung thuật toán khởi tạo phục vụ cho tăng cường ảnh. InitializeInt() begin nSize = g_nOrientRange * g_nFrequencyRange * g_nGaborMask * g_nGaborMask fDecli = Q_PI / g_nOrientRange fOrient = –Q_PI_2 //Tính trước các giá trị sin, cos theo các góc for k = 0 to g_nOrientRange – 1 pSin[k] = SIN(fOrient) pCos[k] = COS(fOrient) fOrient = fOrient + fDecli end for pX = g_nWindowXInt pY = g_nWindowYInt for k = 0 to g_nOrientRange – 1 fSin = pSin[k] fCos = pCos[k] for x = –(g_nWindowWidth / 2) to (g_nWindowWidth + 1) / 2 for y = –(g_nWindowHeight / 2) to (g_nWindowHeight + 1) / 2 Trang 94 i = x * fCos – y * fSin j = x * fSin + y * fCos pX = i pY = j end for end for end for //Tính trước mảng Gabor dựa vào hướng và tần số fDecli = 0.5 / g_nFrequencyRange for i = 0 to g_nOrientRange – 1 fSin = pSin[i] fCos = pCos[i] for j = 0 to g_nFrequencyRange – 1 fFrequency = j * fDecli + 0.04 fSigma = 20 * fFrequency fR = –0.5 / (fSigma * fSigma) for x = – (g_nWindowWidth / 2) to (g_nWindowWidth + 1) / 2 for y = – (g_nWindowHeight / 2) to (g_nWindowHeight + 1) / 2 m = x * fCos + y * fSin n = –x * fSin + y * fCos fGabor = exp(fR * (m * m + n * n)) * COS(m * fFrequency * Q_2PI) g_nGaborInt = fGabor * 127 end for end for end for end for end Hình 6.6 thể hiện thuật toán phân đoạn ảnh nhằm loại bỏ các vùng ảnh bị nhiễu khi lấy từ thiết bị. Thuật toán dựa vào giá trị mean và variant để phân đoạn ảnh [32]. Hình 6.5 cho thấy kết quả của việc phân đoạn ảnh. Trang 95 Hình 6.5. Kết quả phân đoạn ảnh với ngưỡng variance là 100 và kích thước vùng phân đoạn 16 x 16; hình a) ảnh gốc; hình b) thể hiện độ thay đổi mức xám; hình c) hình vân tay sau khi đã phân đoạn. Hình 6.6. Khung thuật toán phân đoạn ảnh phục vụ cho tăng cường ảnh. Segment(SFSImage pImg) begin x = 1 for i = 0 to g_nSegmentHeight – 1 m = x + g_nSegmentBlock y = 1 for j = 0 to g_nSegmentWidth – 1 n = y + g_nSegmentBlock nXX = nYY = nXY = 0 nMean = nVar = 0 for u = x to m – 1 for v = y to n – 1 nMean = nMean + pImg.m_pPixel[u,v] nX = pImg.m_pPixel[u + 1,v – 1] – pImg.m_pPixel[u – 1,v – 1] + ((pImg.m_pPixel[u + 1,v] – pImg.m_pPixel[u – 1,v]) * 2) + pImg.m_pPixel[u + 1,v + 1] – pImg.m_pPixel[u – 1,v + 1] nY = pImg.m_pPixel[u – 1,v + 1] – pImg.m_pPixel[u – 1,v – 1] + ((pImg.m_pPixel[u,v + 1] – pImg.m_pPixel[u,v – 1]) * 2) + pImg.m_pPixel[u + 1,v + 1] – pImg.m_pPixel[u + 1,v – 1] nXX = nXX + nX * nX nYY = nYY + nY * nY nXY = nXY + nX * nY end for end for nMean = nMean / g_nSegmentBlock * g_nSegmentBlock for u = x to m – 1 for v = y to n – 1 nVar = nVar + (nMean – pImg.m_pPixel[u,v]) * (nMean – pImg.m_pPixel[u,v]) end for Trang 96 end for fVar = sqrt(nVar) / (g_nSegmentBlock * g_nSegmentBlock) fCoh = nXX – nYY fCoh = sqrt(fCoh * fCoh + 4 * nXY * nXY) / (nXX + nYY) fW = fCoh * g_fSegmentWeight1 + nMean * g_fSegmentWeight2 + fVar * g_fSegmentWeight3 + g_fSegmentWeight4 if fW >= 0 then nSegment[i,j] = 1 end if y = y + g_nSegmentBlock end for x = x + g_nSegmentBlock end for for i = 0 to g_nSegmentHeight – 1 for j = 0 to g_nSegmentWidth – 1 nMean = 0 nVar = 0 for x = -1 to 1 for y = -1 to 1 m = i + x n = j + y if m >= 0 and m < g_nSegmentHeight and n >= 0 and n < g_nSegmentWidth then nMean = nMean + 1 if nSegment[m,n] 0 then nVar = nVar + 1 end if end if end for end for fVar = nVar / nMean if fVar > 0.50 then g_nInternalSegment[i,j] = 1 if nMean > 6 and fVar > 0.80 then //hằng số 6 và 0.8 lần lượt là ngưỡng của mean và variant g_nSegment[i,j] = 1 end if end if end for end for end Hình 6.7 thể hiện thuật toán chuẩn hóa ảnh [32]. Thuật toán này sẽ làm cho ảnh nhìn rỏ hơn một chút trước khi được đem đi tăng cường. Hình 6.7. Khung thuật toán chuẩn hóa ảnh phục vụ cho tăng cường ảnh. Normalize(SFSImage pImg) begin Trang 97 word i, j double pPixel [256,256] double fMean, fVar, fMin, fMax fMean = 0 fVar = 0 for i = 0 to pImg.m_nHeight – 1 for j = 0 to pImg.m_nWidth – 1 pPixel[i,j] = pImg.m_pPixel[i,j] / 255 fMean = fMean + pPixel[i,j] end for end for fMean = fMean / nSize for i = 0 to pImg.m_nHeight – 1 for j = 0 to pImg.m_nWidth – 1 fVar = fVar + (pPixel[i,j] – fMean) * (pPixel[i,j] – fMean) end for end for fVar = sqrt(fVar/nSize) fVar = sqrt(1 / fVar) fMin = 0 fMax = 0 for i = 0 to pImg.m_nHeight – 1 for j = 0 to pImg.m_nWidth – 1 if pPixel[i,j] > fMean then pPixel[i,j] = (pPixel[i,j] – fMean) * fVar else pPixel[i,j] = – (pPixel[i,j] + fMean) * fVar end if if pPixel[i,j] < fMin then fMin = pPixel[i,j] end if if pPixel[i,j] > fMax then fMax = pPixel[i,j] end if end for end for for i = 0 to pImg.m_nHeight – 1 for j = 0 to pImg.m_nWidth – 1 pImg.m_pPixel[i,j] = 255 * (pPixel[i,j] – fMin) / (fMax – fMin) end for end for end Hình 6.9 thể hiện thuật toán ước lượng hướng vân. Trong bài báo gốc [28], nhóm tác giả làm mượt hướng bằng phương pháp lọc trung bình. Phương pháp làm mượt này thường cho kết quả hướng sai ở gần điểm core. Chúng tôi đề xuất phương pháp làm Trang 98 mượt bằng lọc Gaussian. Kết quả của phương pháp này (hình 6.8) đã khắc phục được hướng sai ở gần điểm core. Hình 6.8. Hình a) làm mượt hướng bằng phương pháp lọc trung bình, hình b) dùng phương pháp lọc Gaussian. Hình 6.9. Khung thuật toán xác định hướng vân phục vụ cho tăng cường ảnh. EstimateOrient(SFSImage pImg) begin word i, j, x ,y word nOrientHeight, nOrientWidth word nSumX, nSumY word nOrientBlock double fOrient, pDx, pDy nOrientBlock = 7 nOrientHeight = (pImg.m_nHeight – 2) / nOrientBlock nOrientWidth = (pImg.m_nWidth – 2) / nOrientBlock //Tính gradient magnitudes x = 3 for i = 0 to nOrientHeight – 1 k = (x – 1) / nSegmentBlock if k < nSegmentHeight then m = x + nOrientBlock y = 3 for j = 0 to nOrientWidth – 1 l = (y – 1) / nSegmentBlock if l < nSegmentWidth then if nInternalSegment[k,l] 0 then n = y + nOrientBlock nSumX = 0 nSumY = 0 Trang 99 nXX = nXY = nYY = 0 for u = x to m – 1 for v = x to n – 1 nX = 0 nY = 0 for g = –3 to 2 for h = –3 to 2 nY = nY + pImg.m_pPixel[u + g,v + h] * nOrientMask[g + 3,h + 3] nX = nX + pImg.m_pPixel[u + g,v + h] * nOrientMask[h + 3,g + 3] end for end for nSumX = nSumX + nX * nY nSumY = nSumX + (nX – nY) * (nX + nY) nXX = nXX + nX * nX nXY = nXY + nX * nY nYY = nYY + nY * nY end for end for if (nXX + nYY) 0 then fCoh1 = nXX – nYY fCoh1 = sqrt(fCoh1 * fCoh1 + 4 * nXY * nXY) / (nXX + nYY) else fCoh1 = –1 end if pDx1 = nSumX * 2 pDy1 = nSumY end if end if y = y + nOrientBlock end for end if x = x + nOrientBlock end for //Hiệu chỉnh và làm mượt các hướng của block lại (dùng Gaussian) for i = 0 to nOrientHeight – 1 for j = 0 to nOrientWidth – 1 nSumX = nSumY = 0 nSumX = –pDx[i,j] * nGaussianMask_5[2,2] nSumY = –pDy[i,j] * nGaussianMask_5[2,2] if fOrient[i,j] = 1 then for m = –nOrientGaussian to nOrientGaussian u = i + m if u >= 0 and u < nOrientHeight then Trang 100 for n = –nOrientGaussian to nOrientGaussian v = j + n if v >= 0 and v < nOrientWidth then if pDx[u,v] 0 and pDy[u,v] 0 then nSumX = nSumX + pDx[u,v] * nGaussianMask[m + nOrientGaussian,n + nOrientGaussian] nSumY = nSumY + pDy[u,v] * nGaussianMask[m + nOrientGaussian,n + nOrientGaussian] end if end if end for end if end for if nSumX 0 and nSumY 0 then fOrient[i,j] = 0.5 * ATAN2(nSumX, nSumY) end if else fOrient[i,j] = 255 end if end for end for end Hình 6.11 thể hiện thuật toán ước lượng tần số theo bài báo [32]. Trong phần thuật toán này, chúng tôi dùng phương pháp Gaussian với mặt nạ 1x5 để làm mượt các đỉnh hình sin sau khi đã ước lượng tần số. Phần cải tiến này đã loại bỏ được các đỉnh giả giúp cho việc ước lượng tần số chính xác hơn (hình 6.10). Trang 101 Hình 6.10. Làm mượt các đỉnh hình sin bằng phương pháp lọc Gaussian với mặt nạ 1x5 để loại bỏ các đỉnh giả. Hình 6.11. Khung thuật toán ước lượng tần số phục vụ cho tăng cường ảnh. EstimateFrequency(SFSImage pImg) begin double fSin, fCos, fOrient, fMean, fVar word i, j, x, y, m, n, u, v, k, l word nW, nH, nValidSigCount, nPeakCount, nSumDis nWindowWidth = 32 nWindowHeight = 16 nW = nWindowWidth / 2 nH = nWindowHeight / 2 x = nFrequencyBlock / 2 for i = 0 to nFrequencyHeight – 1 y = nFrequencyBlock / 2 for j = 0 to nFrequencyWidth – 1 k = x / nOrientBlock l = y / nOrientBlock if k >= nOrientHeight or l >= nOrientWidth then y = y + nFrequencyBlock continue end if fOrient = fOrient[k,l] if fOrient 255 then fSin = SIN(fOrient) fCos = COS(fOrient) for m = –nW to nW – 1 for n = –nH to nH – 1 u = x + (m * fCos – n * fSin) v = y + (m * fSin + n * fCos) if u >= 0 and u < pImg.m_nHeight and v >= 0 and v < pImg.m_nWidth then pSig[m + nW] = pSig[m + nW] + pImg.m_pPixel[u,v] pSigCount[m + nW] = pSigCount[m + nW] + 1 end if end for end for nValidSigCount = 0 for k = 0 to nWindowWidth – 1 if pSigCount[k] 0 then nValidSigCount = nValidSigCount + 1 pValidSig[nValidSigCount] = pSig[k] / pSigCount[k] end if end for for k = 2 to nWindowWidth – 3 Trang 102 pValidSig[k] = (pValidSig[k – 2] + 2 * pValidSig[k – 1] + pValidSig[k] * 3 + 2 * pValidSig[k + 1] + pValidSig[k + 2]) / 9 end for nPeakCount = 0 nSumDis = 0 fMean = 0 for k = 1 to nWindowWidth – 2 if pValidSig[k - 1] <= pValidSig[k] and pValidSig[k] > pValidSig[k + 1] then if nPeakCount > 0 then nSumDis = nSumDis + k – l end if fMean = fMean + pValidSig[k] nPeakCount = nPeakCount + 1 l = k end if end for if nPeakCount > 2 then fMean = fMean / nPeakCount fVar = 0 for k = 1 to nValidSigCount – 2 if pValidSig[k – 1] <= pValidSig[k] and pValidSig[k] > pValidSig[k + 1] then if fMean > pValidSig[k] then fVar = fVar + fMean – pValidSig[k] else fVar = fVar + pValidSig[k] – fMean end if end if end for fVar = fVar / nPeakCount if (fVar / fMean) > 0.165 then fFrequency[i,j] = 0 else fFrequency[i,j] = nPeakCount / nSumDis if fFrequency[i,j] < 0.04 or fFrequency[i,j] > 0.5 then fFrequency[i,j] = 0 end if end if end if end if y = y + nFrequencyBlock end for x = x + nFrequencyBlock end for Trang 103 //Hiệu chỉnh và làm mượt phần ước lượng hướng bằng phương pháp Gaussian for i = 0 to nFrequencyHeight – 1 for j = 0 to nFrequencyWidth – 1 fOrient = k = 0 for x = –nFrequencyGaussian to nFrequencyGaussian – 1 u = i + x if u >= 0 and u < g_nFrequencyHeight then for y = –nFrequencyGaussian to nFrequencyGaussian – 1 v = j + y if v >= 0 and v < g_nFrequencyWidth then k = k + nGaussianMask[x + nFrequencyGaussian,y + nFrequencyGaussian] fOrient = fOrient + fFrequency[u,v] * nGaussianMask[x + nFrequencyGaussian,y + nFrequencyGaussian] end if end for end if end for if k 0 then fFrequency[i,j] = fOrient / k end if end for end for end Hình 6.12 thể hiện thuật toán lọc Gabor [32]. Kết quả của tăng cường ảnh (hình 6.13). Hình 6.12. Khung thuật toán lọc Gabor phục vụ cho tăng cường ảnh. GaborFilter(SFSImage pImg) begin SFSImage imgResult nMaxX = min(g_nOrientBlock * g_nOrientWidth, g_nFrequencyBlock * g_nFrequencyWidth) nMaxY = min(g_nOrientBlock * g_nOrientHeight, g_nFrequencyBlock * g_nFrequencyHeight) nMaskS = nMaskS – (g_nGaborMask / 2) nMaskE = (g_nGaborMask + 1) / 2 nMaskSize = g_nGaborMask * g_nGaborMask Image_Create(imgResult, pImg.m_nWidth, pImg.m_nHeight) for i = 0 to nMaxY – 1 for j = 0 to nMaxX – 1 nOrient = g_nOrientInt[i / g_nOrientBlock,j / g_nOrientBlock] if nOrient 255 then Trang 104 nFrequency = g_nFrequencyInt[i / g_nFrequencyBlock,j / g_nFrequencyBlock] nWeight = nConvolution = 0 pGabor = g_nGaborInt + (nOrient * g_nFrequencyRange + nFrequency) * nMaskSize for x = nMaskS to nMaskE – 1 u = i + x if u > 0 and u < pImg.m_nHeight then for y = nMaskS to nMaskE – 1 v = j + y if v >= 0 and v < pImage.m_nWidth then nConvolution = nCon