بخشی از مقاله
چکیده
در این مقاله طراحی و شبیه سازی یک سامانه تایید هویت عنبیه با استفاده از شبکه عصبی ارائه شده است. در سیستم پیشنهادی، پس از اعمال سه مرتبه تبدیل موجک هار بر تصویر روشنایی و اعمال روش تحلیل اجزای اصلی، ویژگیهای مناسب انتخاب شده و سپس با استفاده از شبکه عصبی پرسپترون چند لایه با تعداد نرونهای بهینه شده در لایه میانی و نرخ آموزش بهینه، طبقهبندی و در نهایت تصمیمگیری انجام میگیرد. آزمایشها بر روی مجموعه تصاویر پایگاه داده UPOL انجام گرفته است. در الگوریتم ارائه شده،
عنبیه چشم چپ و راست هر فرد در یک کلاس قرار گرفته و در اعتبارسنجی به صحت %99/7دست یافتهایم. مقایسه نتایج حاصله با تحقیقات مشابه نشان دهنده کارایی مناسب سیستم پیشنهادی است.
-1 مقدمه
هدف از زیست سنجی، تشخیص و یا احراز هویت بر اساس ویژگی های فیزیولوژیکی یا رفتاری شخص است. در زیست سنجی از شاخصهای بدن مثل اثر انگشت، اثر کف دست، شکل دست، چهره، عنبیه، شبکیه و گوش استفاده میشود.[1] امضا، صدا، حرکت لبها، نحوه راه رفتن و ژست نیز از مهمترین شاخصهای رفتاری هستند. اما بسیاری از شاخصها محدودیتهایی به منظور بکارگیری در یک سامانه عملی را دارند. برخی از روشها مستلزم تماس با بدن شخص هستند، برخی به صورت تهاجمی عمل مینماید، تعدادی از روشها مستلزم تنظیم نهایی توسط اپراتور هستند و برخی دیگر از آنها هزینههای بالایی دارند. روشی که اخیراً بیشتر از سایر روشها مورد توجه قرار گرفته است، شناسایی و تایید هویت افراد از روی ویژگیهای موجود در عنبیه آنهاست.
عنبیه بخش رنگی و قابل رویت چشم است که در پشت پلکها و جلوی عدسی قرار دارد. شکل گیری عنبیه از سومین ماه جنینی آغاز و تا هشت ماهگی ادامه می یابد.[2] شکل گیری ساختار منحصربه فرد عنبیه به صورت تصادفی رخ می دهد و به عوامل ژنتیکی بستگی ندارد و فقط رنگدانههای عنبیه به عوامل ژنتیکی بستگی دارند که همین امر عنبیه را به عنوان یک عنصر مهم در سیستم های احراز هویت مطرح کرده است. داگمن با استفاده ازخصوصیات جهتگیری بافت، به استخراج ویژگیهای عنبیه پرداخت و آن را به ثبت رساند.[3] کارهای بعدی در این زمینه توسط وایلدز[4] و بولز[5] انجام گرفت. وایلدز با استفاده از فیلتر کردن بافت عنبیه با توابع گاوسی و محاسبه همبستگی نمونهها، به دسته بندی نمونهها پرداخت.
بولز با استفاده از سطوح مختلف در تبدیل موجک و تعیین نقاط عبور از صفر، طبقه بندی نمونههای عنبیه را به انجام رساند . ابی یف و آلتونکایا از الگوریتم داگمن و تبدیل هاف دایروی برای یافتن مرز داخلی و خارجی عنبیه استفاده کرده اند.[6] لیما و همکارانش برای استخراج ویژگی از یک بانک فیلتر متقارن دایروی که موجب ایجاد بردار ویژگی با طول ثابت میشود، استفاده کردهاند.[7] تاموارین و همکارانش برای یافتن موقعیت عنبیه از روش دایروی دینامیک استفاده کردهاند و ویژگی تصاویر عنبیه با توسعه تصویر قطبیده شده1 به سری فوریه بدست آوردهاند. ضرایب فوریه بدست آمده به عنوان ویژگی منحصر به فرد برای تشخیص عنبیه استفاده شده است.[8] هایاشی و تاگوچی برای استخراج ویژگی از تصاویر عنبیه از اعمال فیلتر مورفولوژی بر تصاویر روشنایی عنبیه استفاده کردهاند.[9] بررسی تحقیقات انجام شده در گذشته نشان میدهد که در بین آنها بعضا روشیهایی با استفاده از ویژگیهای پیچیده ارائه شده است. در حالیکه در این تحقیق روشی معرفی میگردد که بدون بکارگیری از ویژگیهای پیچیده و با انتخاب طبقه بند مناسب، صحت بازشناسی افزایش یافته است. در ادامهی این مقاله، در فصل 2 به تشریح روش پیشنهادی و مراحل اجرای آن پرداخته شده است. در فصل 3 نتایج شبیه سازی و در فصل 4 با مقایسهی تحقیقات مشابه با روش پیشنهادی، نتیجهگیری ارائه شده است.
-2 روش پیشنهادی
روش پیشنهادی در این مقاله، شامل مراحل پیش پردازش ، استخراج ویژگی، انتخاب ویژگی و طبقه بندی توسط شبکه عصبی است. بدین صورت که پس از پیدا کردن مرز عنبیه و حذف نقاط غیر عنبیه، با اعمال تبدیل موجک، ویژگیها را استخراج نموده و با استفاده از روش تحلیل اجزای اصلی 2 ویژگیهای مناسب انتخاب شده و با طبقه بند پرسپترون چند لایه که در آن تعداد نرونهای لایه میانی و نرخ آموزش توسط الگوریتم رقابت استعماری3 بهینه شدهاند، طبقه بندی میگردند. طرحوارهی روش پیشنهادی در شکل 1 نشان داده شده است.
شکل: 1 طرحواره روش پیشنهادی
-1-2 پیش پردازش
در این تحقیق به منظور اعتبار سنجی نتایج، تصاویر پایگاه داده UPOL استفاده شده است.[10] با توجه به اینکه تصاویر عنبیه موجود در این بانک داده تقریبا از چشم کامل میباشند بنابراین برای داشتن تصاویری یکنواخت لازم است تا مرز عنبیه شناسایی و ناحیه غیر عنبیه حذف شود. در این تحقیق ناحیهی عنبیه با استفاده از لبه یاب کنی و تبدیل هاف بدست میآید.[11]
معمولا از تبدیل هاف برای پیدا کردن اشکالی مثل خط، دایره و سهمی استفاده میشود. با فرض دایره بودن مرز عنبیه میتوان از این تبدیل برای آشکارسازی مرز آن استفاده نمود. بنابراین برای پیدا کردن دایره در تصویر پس از یافتن نقاط لبه در تصویر، تبدیل هاف دایرهای اعمال میگردد.
شکل: 2 نمونهای از تصاویر پایگاه داده[10] UPOL
در روش پیشنهادی برای تسریع در یافتن مرز عنبیه، ابعاد تصویر، 10 برابر کوچک میشود. با توجه به اینکه شعاع عنبیهها در بانک دادهی UPOL بین250 و270 پیکسل است، پس از کاهش ابعاد تصویر، تبدیل هاف به دنبال دایرهای با شعاع بین 25 تا 27 پیکسل میگردد. در نهایت برای بدست آوردن مرکز و شعاع واقعی عنبیه، مقادیر مرکز و شعاع تصویر کوچک شده را 10 برابر بزرگ میکنیم. در شکل 3 مراحل مختلف پیش پردازش تصویر نشان داده شده است.
-2-2 استخراج ویژگی
در این تحقیق از ویژگیهای موجک روشنایی بعنوان ویژگیهای موثر در توصیف بافت عنبیه استفاده شده است. در روش پیشنهادی ابتدا برای کاهش ورودیهای شبکه عصبی و افزایش سرعت الگوریتم، ابعاد تصاویر%30 کوچک شده و با اعمال تبدیل موجک هار در سه سطح بر تصویر روشنایی، تصاویر پایه حاصله برای استخراج ویژگی در کنار هم قرار میگیرد. بنابراین، ابتدا تصویر 768×576 را به 404×538 و پس از اعمال سه مرتبه تبدیل موجک، تصویر پایه حاصل از مرحله سوم به ابعاد، 51×68 حاصل میگردد. بدین ترتیب با کاهش الگوریتم پیادهسازی شده چشم چپ و راست هر فرد در یک کلاس قرار گرفتهاند 8 برابری ابعاد تصویر و حفظ 70 درصد از انرژی اصلی در تصاویر عنبیه، سرعت بنابراین 64کلاس داده خواهیم داشت. تقریباً 66 درصد دادهها 4 - تصویر بهازای و دقت مراحل بعدی در سیستم پیشنهادی افزایش یافته است. هر کلاس و در مجموع 256 تصویر - برای آموزش و 34 درصد تصاویر باقیمانده 2 - تصویر بهازای هر کلاس و در مجموع 128تصویر - برای آزمون بهکار رفتهاند. به دلیل داشتن 64 کلاس، شبکه دارای 64 نرون خروجی است که به صورت دودویی کلاس مورد نظر را مشخص میکند. همچنین شبکه به تعداد ویژگی-های استخراج شده، دارای نرون در لایه ورودی است. تعداد نرون لایه میانی و مقدار نرخ آموزش شبکه، توسط الگوریتم بهینه سازی بر اساس رقابت استعماری در طی فرآیند آموزش پس انتشار خطا بهینه میشوند و مقادیر بهینهی بدست آمده برای آموزش شبکه در نظر گرفته میشوند. همچنین برای جلوگیری از به اشباع رفتن نرونها قبل از اعمال دادهها به شبکه، دادهها نرمالیزه شده و مقدار آنها بین صفر و یک محدود میگردد. در ادامه اطلاعات تصاویر پایه حاصله را به صورت سطری کنار یکدیگر -1-4-2 الگوریتم بهینه ساز رقابت استعماری[13] قرار میدهیم تا از هر تصویر پایه برداری به طول 51×68 حاصل شود. شکل
-5الف مثالی از نحوهی چیدمان یک تصویر نمونه به ابعاد 4×4 به شکل برداری این الگوریتم به فرایند استعمار، به عنوان مرحلهای از تکامل اجتماعی- سیاسی به طول 16 را نشان میدهد. سپس بردار حاصله از کلیه تصاویر پایه را به صورت بشر نگریسته و با مدلسازی ریاضی این پدیده تاریخی، از آن به عنوان منشأ سطری در زیر یکدیگر قرار داده و ماتریس ویژگیها را تشکیل می- الهام یک الگوریتم قدرتمند در زمینه بهینهسازی بهره میگیرد و نسبت به سایر دهیم - شکل-5ب - . سپس ستونهایی که جمع تمام عناصرشان برابر صفر است روشهای بهینه سازی دارای توانایی بالایی بوده و از سرعت بیشتری برخوردار را حذف میکنیم. این عمل موجب حذف نقاط متناظر غیر عنبیه در تصاویر است. شکل 6 شمای کلی الگوریتم رقابت استعماری را نشان میدهد.
خواهد شد.
شکل : 5 مثالی از نحوهی تشکیل ماتریس ویژگیها برای تصاویر نمونه با ابعاد 4×4 الف - نحوهی ایجاد بردار ویژگی از هر تصویر پایه ب - نحوهی ایجاد ماتریس ویژگی بر اساس ترکیب بردارهای ویژگی
-3-2 انتخاب ویژگی
برای کاهش پیچیدگی طبقه بند باید ابعاد بردار ویژگی را کاهش دهیم بطوریکه اطلاعات محلی و عمومی عنبیه از بین نرود. در این مقاله از روش تحلیل اجزای اصلی که یک تکنیک مفید آماری جهت کاهش ابعاد ویژگی است، استفاده شده است. حفظ اطلاعات اساسی ضمن کاهش ابعاد داده، مهمترین ویژگی این روش است.[12]
-4-2 طبقه بندی
برای طبقه بندی از شبکه عصبی پرسپترون دو لایه4 استفاده میکنیم. پایگاه دادهی UPOL دارای 3 تصویر از هر چشم و برای 64 فرد مجزا است. در
شکل : 6 شمای کلی الگوریتم رقابت استعماری
این الگوریتم با تعدادی جمعیت اولیه شروع میشود. هر عنصر جمعیت، یک کشور نامیده میشود. کشورها به دو دسته مستعمره و استعمارگر تقسیم میشوند. هر استعمارگر، بسته به قدرت خود، تعدادی از کشورهای مستعمره را به سلطه خود درآورده و آنها را کنترل میکند. سیاست جذب و رقابت استعماری، هسته اصلی این الگوریتم را تشکیل میدهند. سیاست جذب که توسط کشورهای استعمارگر در مستعمراتشان اعمال میشد، در ارائه این الگوریتم، با حرکت دادن مستعمرات یک امپراطوری، مطابق یک رابطه خاص صورت میپذیرد. اگر در حین حرکت، یک مستعمره، نسبت به استعمارگر، به موقعیت بهتری برسد، در این صورت جای آن دو با هم عوض میشوند. در طی رقابت استعماری، امپراطوریهای ضعیف، به تدریج قدرت خود را از دست داده و به مرور زمان با تضعیف شدن از بین میروند و به مرور زمان، به حالتی میرسیم که در آن تنها یک امپراطوری باقی خواهد ماند تا بقیه را اداره کند، این حالت زمانی است که الگوریتم رقابت استعماری با رسیدن به نقطه بهینه تابع هدف، متوقف میشود.[13]
