بخشی از مقاله
چکیده
دراین مقاله با توجه به اهمیت مقوله هویت سنجی، عنبیه چشم به عنوان پارامتری یکتا برای این مهم استفاده شده است. اگرچه تکنیک های مدرن شناسایی بسیارمتنوع است اما هریک از آنها دارای مزایا ومعایبی می باشند که بدون شک فضای توسعه علم در آنها گشوده می باشد. در این مقاله باتوجه به اینکه تصاویر دیتابیس CASIA مورد استفاده قرار گرفته اند و این تصاویر شامل کل ناحیه چشم (پلک، مژه، مردمک، عنبیه و صلبیه) هستند، ابتدا مژه ها وپلک ها را با استفاده از لبه یاب و تبدیل هاف از تصویر حذف کرده و سپس توسط لبه یابها مرزهای داخلی وخارجی عنبیه را تعیین و عنبیه را از سایر نقاط موجود درتصویر جدا کرده ایم. سپس بااستفاده از تبدیل موجک دوبعدی ویژگی های عنبیه را استخراج و از PCA برای کاهش تعداد مولفه ها بهره جسته و با استفاده از SVM دسته بندی انجام داده و به نرخ تشخیص %100 با سرعت قابل قبولی دراین زمینه دست پیدا کردیم.
کلیدواژهها: تبدیل موجک، عنبیه، SVM
مقدمه
موضـوع هویت سنجی یکی از مسائل مهم مورد چالش توسط بشریت از دیرباز تاکنون بوده اسـت. توسـعه تکنولوژی همواره سبب به چالش کشــیدن روش های جلوگیری از نفوذ افراد بدون مجوز به اطلاعات و داشــته های فرد دیگر گردیده اســت. به طور عادی مردم از اســامی کاربری، رمز عبور و کارت های شــناســایی خود برای این مضــمون اسـتفاده می کنند تا ثابت کنند همان فردی هسـتند که ادعا می کنند. بااین حال رمز های عبور ممکن اســت فراموش شــوند و کارت های شـناسـایی می توانند گم یا دزدیده شوند. بنابراین علاقه ای شدید در روش های بهبود یافته در مورد هویت وشناسایی ایمن و قابل اطمینان از افراد وجود دارد، زیرا مردم نمی توانند خصوصیات فیزیکی خود را از همان طریقی که می توانند رمز عبور یا کارت های شــناســایی خود را گم یا فراموش می کنند، از دست بدهند یا فراموش کنند. تکنیک های مدرن شناسایی بسیارمتنوع است که هریک از آنها دارای مزایا ومعایبی می باشند. موضوع شناسایی ویژگی های ذاتی موجود در انسان اغلب با عنوان بیومتریک مطرح می شود. در حقیقت بیومتریک دانش تحلیل وسـنجش خواص ذاتی موجود در انسـان هاسـت از آن جمله خواصی همچون اثرانگشـت، صورت، صدا وعنبیه چشم از معروفترین وشناخته شده ترین ویژگی های منحصر به فرد انسان هاست وخواصی همچون
بوی بدن، نحوه راه رفتن، 1DNA، شـکل کف دست و موارد دیگر نیز ســایر ویژگی های بیومتریک انســان هســتند. دراین میان دو ویژگی ازبالاترین امتیازها در مقایســـه با ســـایر ویژگی ها برخوردارند. آن دو عبارتند از -1 اثر انگشت -2 عنبیه چشم. این دو ویژگی دامنه یکتایی گســترده تری نســبت به ســایر ویژگی ها دارند. ازطرفی قابلیت نمونه برداری ودسترسی عنبیه نسبت به اثر انگشت وسایر روشها مطلوب تر است.
چشــم عضــو بارز اولین حس از حواس پنجگانه یعنی بینایی اســت و بیش از 80 درصـد اطلاعات انسـان از طریق چشـم کســب می شود. چشم پس از مغز پیچیده ترین عضو انسان است. قسمت های مختلف چشــم انســان عبارتند از:پلک ها، ملتحمه، قرنیه، لیمبوس، صــلبیه، عنبیه، مردمک، عدسی،اتاقک قدامی، مشیمیه، فضای خلفی و زجاجیه، شبکیه، عصب چشم و عضلات چشم. شکل[1] 1، قسمتهای مختلف چشم را نشان می دهد.
1Deoxyribo nucleic acid
مجموعه مقالههای دومین همایش ملی فناوریهای نوین در مهندسی برق و کامپیوتر 3مهر 1393، دانشگاه آزاد اسلامی واحد فسا،
واحدELECCOMP2-xxxx فسا
شکل:1 اجزای چشم[1]
به ناحیه رنگی قسمت خارجی چشم اطلاق می شود که در ناحیه میانی چشم و دور مردمک قرار گرفته است. عنبیه از یک دیافراگم نازک تشکیل شده است که در طول قسمت داخلی چشم کشیده شده و توسط عدسی چشم نگه داشته می شود.رنگ عنبیه حاصل تفاوت در میزان جذب نور در سلولهای رنگدانه در لایه پیشین می باشد. این رنگدانه، ملانین نام دارد. تشخیص هویت مبتنی بر تصاویر عنبیه شامل تجزیه و تحلیل ویژگی هایی است که در بافت رنگی چشم محصور بین مردمک و عنبیه قرار دارند. بافت های پیچیده عنبیه می توانند شامل ویژگی های مشخص و فراوانی از قبیل شیارها و برآمدگی ها، بافت های زیگزاگی، حفره ها و لکه ها باشند. ساختار عنبیه ساختاری سرشار از اطلاعات است. به همین منظور میتواند به صورت منحصر به فرد برای تشخیص هویت به کار گرفته شود. یک عنبیه دارای بیش از 200 ویژگی قابل اندازه گیری است که این تقریبا بیش از 4 برابر ویژگی های اثر انگشت می باشد. پس عنبیه می تواند به عنوان پارامتری مناسب در تشخیص هویت ایفای نقش نماید.
ایده استفاده از عنبیه به عنوان یک بیومتریک بیش از 100 سال است که مطرح شده است. مهمترین کار در تاریخچه اولیه ی بیومتریک عنبیه کار داگمن است. حق امتیاز سال 1994 داگمن وبرخی موارد منتشر شده اولیه (مانند ([2] که یک سیستم تشخیص عنبیه ی عملی را با جزئیات توصیف می کند. این منصفانه است که بگوییم بیومتریک عنبیه چشم به عنوان یک زمینه که با مفاهیم رویکرد داگمن گسترش یافته یک مدل مرجع استاندارد است.
پراوین و همکارانش[3]، در سال 2012 با استفاده ازدیتابیس CASIA 30) نفر وازهر نفر 10 عکس) تحقیقی را انجام دادند. آنها برای استخراج ویژگی از 3 روش PCA، موجک گابور و موجک گابور لگاریتمی استفاده
کرده اند سپس ازفاصله اقلیدسی و فاصله همینگ برای اندازه گیری شباهت ومقایسه دو عنبیه (روش دسته بندی) استفاده کردند. در نهایت بهترین دقت شناسایی در حالتی که از موجک گابور و فاصله همینگ استفاده شده بود با %99 به دست آمد. روانکار و همکارش[4]، درسال 2013 با استفاده از دیتابیس CASIA V3.0 Lampکه شامل 756 تصویر از 108 نفر می باشد، پس از قطعه بندی و نرمالیزه کردن تصویر عنبیه، با استفاده از چهار تبدیل موجک هار، داپچیز، سیملت و ریورس بیوتوگونال استخراج ویژگی را انجام دادند. سپس بردارهای ویژگی را با استفاده از فاصله همینگ دسته بندی کردند که بهترین نرخ شناسایی با استفاده از تبدیل موجک داپچیز با FAR=0% و FRR=0.62% به دست آمد. لوخانده وهمکارش[5]، درسال 2013 با استفاده از پایگاه داده های CASIA و UBIRIS با استفاده از تبدیل موجک هار استخراج ویژگی و دسته بندی را با روش فاصله منهتن انجام دادند. آنها با این روش به دقت شناسایی %97 در دیتابیس CASIA و %92 در دیتابیس UBIRIS دست یافتند.
درادامه مقاله، مراحل پردازش تصویر شامل دریافت تصاویر و جداسازی عنبیه شرح داده خواهد شد. در قسمت بعد به مکانیزم استخراج ویژگی تبدیل موجک وکاهش ابعاد بردارهای ویژگی به کمک PCA پرداخته شده است. درفصل بعد شرح آزمایشهای انجام شده و در خاتمه نتیجه گیری صورت خواهد گرفت.
پردازش تصویر
پردازش تصـویر شـامل دریافت تصاویر از بانک اطلاعاتی و جداسازی عنبیه از سایر نقاط تصویر است.
دریافت تصاویر
دریافت تصـاویر، یکی از مراحل اصــلی در تشــخیص هویت براســاس عنبیه می باشد. تصاویر انتخابی، نقش بسزایی در کاهش نرخ خطا در ســـیســـتمهای تعیین هویت دارند.[6] به همین دلیل، دراین مقاله از تصاویر دیتابیس CASIA استفاده شده است. این تصاویر شامل تصویر کل ناحیه چشـم بوده و جهت ادامه کار، می بایست عملیات جداسازی عنبیه از سایر قسمتها انجام شود.
جداسازی عنبیه
اطلاعات منحصـر به فرد مربوط به عنبیه، مابین مردمک وصلبیه قرار گرفته است. از طرفی پلکها و مژه ها نیز در تصویر وجود دارند که می بایست حذف شوند (شکل.(2
مجموعه مقالههای دومین همایش ملی فناوریهای نوین در مهندسی برق و کامپیوتر 3مهر 1393، دانشگاه آزاد اسلامی واحد فسا،
واحدELECCOMP2-xxxx فسا
شکل:2 تصویر کل ناحیه چشم مربوط به دیتابیس CASIA
درمرحله اول باید مرزهای داخلی و خارجی عنبیه مشخص گردد. بدین منظور با تعیین مرکز مردمک و استفاده تغییر ناگهانی شدت نور مابین مردمک و عنبیه (مرز داخلی) و نیز تفاوت محســوس شــدت نور بین عنبیه و صلبیه (مرز خارجی) الگوریتمی طراحی کردیم تا رینگی شامل نـاحیـه عنبیه اســـتخراج کرده و پس از کم کردن اثر وجود مژه های احتمالی بر روی عنبیه، تصویر نهایی مورد استفاده درسیستم تشخیص هویت را به ما بدهد (شکل .(3
شکل:3 شکل 2 پس از جداسازی عنبیه
استخراج ویژگی
دراین مقاله برای استخراج ویژگی از تبدیل موجک دوبعدی استفاده شده است. برای استخراج ویژگی تبدیل موجک هار با سه سطح تجزیه به تصاویر اعمال می شود. مراحل تجزیه در شکل 4 نشان داده شده است.[7]
شکل:4 مراحل اعمال تبدیل موجک[7]
در این تحقسق، از زیرباند فرکانس پایین مرحله سوم به عنوان ویژگی عنبیه استفاده شده است. یکی از مسائل مهم در سرعت سیستمهای تشخیص هویت، ابعاد بردار ویژگی استخراج شده از عنبیه می باشد. با توجه به اینکه تصویر عنبیه بزرگ است می بایست الگوریتمی برای کاهش ابعاد بردارویژگی اعمال کرد که اطلاعات محلی وعمومی عنبیه را ازبین نبرد. دراینجا از روش PCA جهت این امر استفاده شد و با تغییر تعداد مولفه های PCA سعی در بهبود نرخ شناسایی کردیم.
دسته بندی
پس از ایجاد بردارهای ویژگی مطلوب از عنبیه، می بایست روشی جهت کلاسه بندی بردارها انتخاب کنیم. دراین مقاله از روش ماشین بردار پشتیبان (SVM) استفاده شده است. SVM جهت کلاسه بندی دوکلاس طراحی شده است، اما دراین تحقیق ما نیاز به کلاس بندی 30 کلاس (تعداد نفرات استفاده شده در این مقاله تصاویر عنبیه 30 نفر است) داریم. از میان روشهای مختلف دسته بندی با SVM چند کلاسی، از روش یکی در برابر بقیه با هسته گوسی استفاده کردیم. از پارامترهای مهم در هسته گوسی، دو پارامتر گاما و c هستند که با تغییر این دو مولفه می توان نرخ شناسایی را افزایش داد.
بانک اطلاعاتی مورد استفاده در این مقاله، تصاویر عنبیه مربوط به 30 نفر از دیتابیس CASIA می باشد. دراین بانک، از هر نفر 7 تصویر موجود است. برای آموزش ماشین بردار پشتیبان از 4 تصویر برای هر فرد و جهت تست از 3 تصویر استفاده کردیم.
نتایج
در ابتدا جهت مقایسه روش های فوق، اقدام به شناسایی عنبیه ها بدون اعمال PCA کردیم که نرخ شناسایی 91.1% به دست آمد که به معنی
مجموعه مقالههای دومین همایش ملی فناوریهای نوین در مهندسی برق و کامپیوتر 3مهر 1393، دانشگاه آزاد اسلامی واحد فسا،
واحدELECCOMP2-xxxx فسا
عدم تشخیص 8 تصویر از 90 تصویر مورد تست می باشد. زمان سپری شده جهت اجرای برنامه 2/51 ثانیه می باشد.
سپس با اعمال PCA بر روی بردارهای ویژگی و تغییر تعداد مولفه های موثر به یافتن بهترین تعداد ویژگی های موثر پرداختیم. تعداد مولفه ها از 1 تا 90 تغییر داده شده اند و کمترین میزان خطا مربوط به استفاده از 25 ویژگی است که به نرخ شناسایی %92.3 رسیده ایم (میزان خطا .(%7.7
تذکر: نتایج به دست آمده به ازای مقادیر C=10 و = 0.1 در پارامترهای هسته گوسی ماشین بردار پشتیبان بدست آمده است.
در ادامه بر روی تصاویر، تبدیل موجک با سطوح مختلف را اعمال کرده و ماتریس LL حاصل را به عنوان بردار ویژگی به کار برده ایم. جدول 1 نتایج حاصل را نشان می دهد.
