بخشی از مقاله
چکیده
بکارگیري ویژگیهاي مبتنی بر تصویر عنبیه یکی از مطمئنترین روشهاي تأیید هویت است. در این تحقیق از ویژگیهاي بافتی عنبیه براي تأیید هویت استفاده میشود. در مرحلهي ثبت هویت، ابتدا گوشههاي تصویر روشنایی در ناحیهي عنبیه استخراج میشود. سپس براي هر عنبیه یک دنباله از نمادها که توصیفگر بافت روشنایی است تشکیل میشود. بر اساس رشتهي حاصله، براي هر تصویر یک مدل مارکوف آموزش یافته و ماتریس انتقال حالت و ماتریس احتمال مشاهدات مدل تصویر عنبیهي هر فرد ذخیره می-شود.
در مرحلهي تأیید هویت، مجددا آشکارسازي گوشهها در تصویر روشنایی دریافتی از کاربر و استخراج رشته سمبل هاي توصیفگر بافت تصویر روشنایی عنبیه انجام میگیرد. سپس بر اساس مدلهاي ذخیره شده در مرحله قبل، محتملترین مسیر براي رشته سمبلهاي دریافتی محاسبه میشود. در ادامه نتیجه با دنبالهي حالات ذخیره شده براي مدلی که مرتبط با کد هویت دریافتی از کاربر است مقایسه میشود . در خاتمه نیز چنانچه مدلی که بیشترین شباهت به دنبالهي مشاهدات را دارا است با مدل مرتبط با کد هویت دریافتی منطبق باشد در اینصورت هویت کاربر مورد تأیید قرار خواهد گرفت.
-1 مقدمه
سیستمهاي زیستسنجی از ویژگیهاي فیزیولوژیکی یا رفتاري هر شخص براي تشخیص و یا تأیید هویت او استفاده میکنند. ویژگیهاي مورد استفاده در این سیستمهاعموماً مبتنی بر چهره، اثرانگشت، صدا، طرح گوش، طرز راه رفتن، نقوش کف دست و یا هندسه دست هستند. تصویر عنبیه از عمده راهکارهاي مورد استفاده در طراحی یک سیستم زیستسنجی است. عنبیهي چشم داراي ویژگیهاي کاملاً منحصر به فرد و یکتا است. عنبیه یک عضو داخلی است و به نوعی محافظت شده به حساب میآید و با گذر زمان دستخوش تغییر نمیشود.
داگمن1 نخستین الگوریتم موفق براي تشخیص عنبیه را پیشنهاد کرد. الگوریتم پیشنهادي او که به صورت تجاري نیز به بازار راه یافت، از عملگر انتگرال دیفرانسیل براي تعیین محل عنبیه، مدل نوار کشی براي تبدیل تصویر عنبیه به مستطیل و فیلتر گابور دو بعدي براي استخراج ویژگی از عنبیه استفاده میکند .[1] لو و همکارانش از فیلتر گابور2 براي استخراج ویژگی-هاي بافت عنبیه استفاده کردند .[2] در تحقیقی دیگر فیلترهاي هرمی براي استخراج ویژگی عنبیه به کار گرفته شده است.
گرکو و همکارانش از مدل مخفی مارکوف براي مدلسازي تغییرات روشنایی تصویر عنبیه استفاده نمودند.[4] تانگ و لیان با این فرض که عنبیه داراي ساختار زاویهي جهتدار در ناحیههاي مختلف است و داراي ارتباط الگوي بافتی با همسایگی خود است، تصویر عنبیه را به عنوان یک میدان تصادفی مارکوف در نظر گرفتند و مدلسازي را بر این اساس به انجام رساندند.[5] میازاوا و همکارانش تطبیق تصویر عنبیه را با استفاده از ویژگیهاي مولفهي فاز در تبدیل فوریه گسسته دو بعدي ارائه کردند.[6] هایاشی و تاگوچی از فیلترهاي مورفولوژي براي استخراج ویژگیهاي مکانی از تصویر روشنایی عنبیه استفاده نمودند.[7] کرین تنگ و همکارانش از ویژگیهاي برخال3 براي توصیف عنبیه استفاده کردند.
در این مقاله ما ویژگیهاي بافتی عنبیه را استفاده نمودهایم. براي مدل-سازي تصاویر عنبیه نیز از مدل مارکوف استفاده نمودهایم. تصمیمگیري نیز با استفاده از الگوریتم ویتربی صورت میگیرد. در ادامه در خصوص هر یک از مراحل، توضیحات مربوطه ارائه شده است. نتایج حاصل از آزمایشها در بخش 3 و نتیجهگیري نیز در بخش 4 آورده شده است.
-2 راهکار پیشنهادي
شکل - 1 - نمودار بلوکی سیستم تأیید هویت پیشنهادي را نشان میدهد. بخش الف بیانگر مراحل ثبت هویت و بخش ب نیز توصیفگر مراحل مربوط به تأیید هویت است.
-1-2 ناحیهبندي عنبیه
در این تحقیق ناحیهبندي عنبیه توسط کاربر انجام میگیرد. براي محاسبهي مرکز عنبیه و همچنین شعاع عنبیه و مردمک، نقاطی بر روي مرز عنبیه و مرز مردمک انتخاب میکنیم. با استفاده از این نقاط یک دایره در اطراف مرز مردمک و همچنین اطراف مرز عنبیه در تصویر مشخص میشود. تصویر دودویی حاصله به عنوان ماسک عنبیه به منظور استخراج تصویر عنبیه بکار گرفته میشود. شکل - 2 - نتیجه حاصل از ناحیهبندي عنبیه بر روي یک تصویر نمونه را نمایش میدهد.
شکل :2 نتیجه ناحیهبندي عنبیه بر روي یک تصویر نمونه - الف - تصویر اصلی، - ب - ماسک عنبیه، - ج - تصویر عنبیه
-2-2 استخراج ویژگی
در این مقاله گوشههاي تصویر روشنایی عنبیه به عنوان ویژگیهاي موثر جهت توصیف بافت عنبیه استفاده شده است. براي گوشهیابی در یک تصویر روشهاي مختلفی وجود دارد که عمده روشها بر اساس محاسبه تغییرات سطح خاکستري تصویر در هر نقطه است.[9] در این تحقیق از عملگر هریس4 براي این منظور استفاده شده است. شکل - 3 - نتیجه آشکارسازي گوشهها در تصویر نمونه را نمایش میدهد.
شکل ٣: نتیجهی آش ارسازیگوشههای تصویر روشنایی عنبیه بر اساس عمل ر هریس
الف - تصویر عنبیه، ب - نتیجه آش ارسازیگوشهها
-3-2 استخراج رشته نمادها
در ادامه، تصویر عنبیه به 180 قطاع مساوي تقسیم میشود. شکل - - 4 نحوه ناحیهبندي تصویر عنبیه را نشان میدهد. بنابراین هر ناحیه قطعهاي از عنبیه به میزان دو درجه خواهد بود. تعداد گوشهها در هر ناحیه - قطاع - مشخص شده سپس اختلاف کمینه5 و بیشینهي6 تعداد گوشهها به عنوان محدوده تغییرات7 - RC - جهت ایجاد رشته نمادها بکار گرفته میشود.
حال تعداد گوشهها در هر قطعه8 محاسبه شده و با مقدار RC مقایسه
شکل :1 ساختار نمودار بلوکی سیستم تأیید هویت پیشنهادي - الف - مرحله ثبت هویت، - ب - مرحلهي تأیید هویت.
میشود. بر اساس جدول - 1 - ، متناسب با تعداد گوشههاي موجود در هر قطعه، نمادي به قطعه مذکور تعلق خواهد گرفت.
شکل ٤: ناحیهبندی تصویر عنبیه به ١٨٠ قطاع مساوی جهت استخراج رشته سمبلهای توصیفکنندهی بافت روشنایی.
جدوکل :1 نمادهاي بکارگرفته شده جهت توصیف تعداد گوشه هاي تصویر روشنایی در هر قطعه از تصویر عنبیه
نتیجه به عنوان رشته اي بطول 180 و متشکل از نمادهاي فوق به عنوان توصیفگر بافت روشنایی هر تصویر عنبیه در نظر گرفته میشود.
-4-2 مدلسازي
در این مقاله پس از استخراج رشته سمبلهاي توصیف کنندهي بافت روشنایی، از مدل مارکوف جهت مدلسازي هر عنبیه استفاده شده است.
یک مدل مخفی مارکوف را میتوان بر اساس متغیرهاي زیر بیان نمود:[10]
الف - تعداد حالات ممکن
ب - ماتریس انتقال حالت که توصیف کنندهي احتمال گذر از یک حالت به حالت بعدي استمسلماً. احتمال انتقال بین حالتها باید محدودیتهاي یک توزیع احتمال تصادفی را برآورده نمایند.
ج - توزیع احتمال مشاهدات که به نوعی توصیف کنندهي احتمال مشاهدهي هر یک از سمبلها در هر یک از حالتهاست.
وظیفه یادگیري در مدل مخفی مارکوف، یافتن ماتریس انتقال و توزیع احتمال بر اساس یک دنباله و یا دنبالههایی از مشاهدات است. در این تحقیق از الگوریتم بام ولش9 جهت آموزش استفاده شده است.
-5-2 تأیید هویت
در این تحقیق، تأیید هویت بر اساس الگوریتم ویتربی10 انجام میگیرد .[10] الگوریتم ویتربی براي یافتن محتملترین مسیر از حالتهاي موجود بکار می-رود. این الگوریتم اغلب در مواردي استفاده میشود که یک مدل مارکوف و یک توالی از مشاهدات موجود بوده و هدف، یافتن محتملترین مسیر از حالتها است که این مشاهدات را تولید کرده است. الگوریتم ویتربی تمامی مسیرهاي ممکن در مشاهدات را در نظر گرفته، سپس با محاسبهي احتمال آنها، محتملترین مسیر را بدست میآورد.
-3 نتایج آزمایشها
در این مقاله آزمایشها روي پایگاه دادهي upol صورت گرفته است .[11] پایگاه داده upol شامل تصاویر عنبیه 64 فرد مجزا است که از هر چشم سه تصویر برداشت شده است - یعنی تعداد 192 تصویر از چشم چپ و همین تعداد تصویر از چشم راست هر فرد در این مجموعه موجود است - . این تصاویر رنگی، با درجه تفکیک 576768 پیکسل و با قالب PNG ذخیره شدهاند. تصاویر اول از چشم هر فرد به عنوان نمونه آموزش جهت ثبت هویت انتخاب شدند. تصویر دوم و سوم از هر فرد نیز براي آزمون در مرحلهي تأیید هویت مورد استفاده قرار گرفتند.
در مرحلهي آموزش، بر روي تصاویر عنبیه عملگر هریس به منظور آشکارسازي گوشهها اعمال شده است. رشتهي سمبلها به طول 180 براي هر تصویر عنبیه استخراج شده و سپس براي هر تصویر یک مدل مخفی مارکوف آموزش مییابد. آموزش نیز براساس الگوریتم بام ولش صورت می-گیرد. در خاتمه ماتریس انتقال حالت و ماتریس احتمال مشاهدات براي تصویر عنبیه هر فرد ذخیره میشود.
در مرحلهي بعد به منظور تطبیق تصویر ورودي، آشکارسازي گوشهها در تصویر روشنایی و محاسبهي دنبالهي مشاهدات صورت میگیرد. با استفاده از مدلهاي مارکوف که قبلاً ذخیره شدهاند محتملترین مسیر براي دنباله سمبلهاي دریافتی محاسبه میشود سپس نتیجه با دنبالهي حالات ذخیره شده براي مدلی که مرتبط با کد هویت دریافتی از کاربر است مقایسه میشود. چنانچه مدلی که بیشترین شباهت را به دنبالهي مشاهدات بدست آمده دارد با مدل کد هویت دریافتی منطبق باشد، هویت کاربر مورد تأیید قرار میگیرد. در غیر این صورت هویت کاربر مورد تأیید قرار نخواهد گرفت.
چنانچه هویت فرد در آزمون اول تأیید شد در این صورت تصویر دوم استفاده نمیشود. اما اگر فرد در تلاش اول توسط سیستم تأیید نشد، آنگاه دومین تصویر استفاده میشود. دقت روش پیشنهادي بر اساس نرخی که در آن سیستم تصمیم به رد فرد مجاز - FRR 11 - و یا پذیرش شخص غیر مجاز - FAR 12 - میکند[12]، در جدولهاي - 2 - و - 3 - آورده شده است. در این جدولها متغیر N بیانگر تعداد حالات و متغیر S تعداد مشاهدات - نمادها - در مدل انتخابی است.
جدول :2 نتیجه صحت بازشناسی در برداشت نخست و بر اساس تغییر در ساختار مدل انتخابی - بکارگیري یک تصویر آموزش و یک تصویر آزمون - .
