بخشی از مقاله
خلاصه
از چالشهای پیشرفت فنآوری در جامعه امروز مسأله تشخیص و تأیید هویت واقعی افراد است. در بین روشهای تشخیص هویت، بیومتریک گوش یک روش نسبتا جدید است. گوش دارای ویژگیهای منحصر به فردی برای تشخیص هویت است. در این مقاله، از عملگرهای LBP و LPQ جهت فرآیند شناسایی الگو در تصاویر گوش استفاده کردهایم. سپس به منظور کاهش اندازه بردار ویژگی و افزایش دقت طبقهبندیکننده، PCA را بر روی ویژگیهای استخراج شده از LBP بکار گرفتهایم. در پایان، برای طبقهبندی از الگوریتم k نزدیکترین همسایه و معیار شباهت کانبرا استفاده کردهایم. برای ارزیابی کارایی الگوریتم، روش پیشنهادی را بر روی پایگاه داده USTB-1 با 180 تصویر از 60 نفر آزمایش کرده و به دقت 98,33 درصد دست یافتهایم.
-1 مقدمه
مسأله تشخیص و تأیید هویت افراد از دغدغههای مهم دنیای امروز است. روشهای بسیاری برای تشخیص هویت افراد وجود دارند که در این بین سیستمهای بیومتریک بسیار قابل اعتمادتر هستند، خروجیهای مطمئنتری را ایجاد می-کنند و امکان سرقت، گم شدن، فراموشی و خراب شدن در آنها وجود ندارد. خصیصههایی که به منظور بیومتریک استفاده میشوند باید دارای 4 ویژگی باشند: .1 تمامی افراد داشته باشند. .2 در دو فرد مشابه نباشد. .3 در طول زمان تغییر نیابد. .4 قابل جمعآوری باشد.
یکی از جالبترین اعضاء آناتومیکی انسان برای سیستمهای بیومتریک، گوش انسان میباشد. اهمیت و پتانسیل گوش انسان برای شناسایی و تشخیص هویت برای اولین بار در سال 1890 توسط جرم شناس معروف فرانسوی به نام آلفونس برتیلنون مطرح شد و مورد حمایت قرار گرفت. گوش انسان حاوی حجم زیادی از اطلاعات و ویژگیهای منحصر به فرد است که حتی در دوقلوهای یکسان متفاوت است.
برخی از مزایای استفاده از گوش در سیستمهای تشخیص هویت عبارتند از:
اکتساب تصویر گوش انسان خیلی آسان است، بطوریکه میتواند از یک فاصله قابل توجه بدون همکاری شخص دریافت شود.[3] ظاهر گوش تقرباًی در سنین 8 الی 70 سالگی ثابت است و تغییر محسوسی نمیکند و تغییرات بیشتر به صورت مقیاسی است. تغییرناپذیری در شکل ظاهری گوش با افزایش سن مهمترین مزیت آن نسبت به سایر بیومتریکها است.[4] گوش انسان دارای توزیع یکنواخت رنگ است، بنابراین وقتی تصویر رنگی به خاکستری تبدیل شود تقرباًی همه اطلاعات حفظ میشود. یکی از برتریهای گوش نسبت به چهره این است که گوش دارای پس زمینه ساده و قابل پیشبینی است، چون در دو طرف سر ثابت است.
همچنین شکل گوش، تحت تأثیر حالات روحی مانند شادی، غم و تعجب قرار نمیگیرد و با نوع آرایش و مدل مو دچار تغییر نمیشود. پس به راحتی میتوان کارآیی شناسایی به کمک گوش را نسبت به سایر بیومتریکها درک کرد.[5] ژانگ و همکارانش در سال 2005 یک روش ترکیبی را برای بازشناسایی تصاویر گوش بکار گرفتند، آنها از تحلیل مولفه مستقل و شبکههای عصبی برای تشخیص استفاده کردند و به دقت 94,11 درصد دست یافتند.[6]
انصاری و همکارانش در سال 2007 برای تشخیص ناحیه گوش از آشکارساز لبه استفاده کردند. لبهها به دو دسته لبه محدب و لبه مقعر تقسیم میشوند. سپس لبههای محدب به عنوان کاندیدی برای نمایش کانتور بیرونی گوش انتخاب میشوند. بخشهای منحنی بهم متصل میشوند و شکلی که بزرگترین ناحیه را محصور کرده است، برای کانتور گوش خارجی انتخاب میشود. عملکرد این روش روی پایگاه داده IITK و USTB II به ترتیب 93,34٪ و 98,05٪ درصد است.
در سال 2008 ژانگ و همکارانش از تحلیل مولفه اصلی و تحلیل مولفه مستقل به طور جداگانه برای استخراج ویژگی و از RBFN برای دستهبندی استفاده کردند، دقت به دست آمده با استفاده از تحلیل مولفه مستقل بهتر از تحلیل مولفه اصلی است.
آلارج و همکارانش در سال 2010 برای استخراج ویژگی از آنالیز مولفه اصلی استفاده کردند و از شبکههای عصبی مصنوعی برای دستهبندی بهره بردند. دقت تشخیص با این روش 96,1 درصد گزارش شد.[9] یزدان پناه و همکارانش در سال 2011 از فیلترهای گابور برای استخراج ویژگی از تصاویر گوش استفاده کردند، آنها به دقت 93,33 درصد روی پایگاه داده USTB دست یافتند.
کومار در سال 2012 از فیلتر گابور لگاریتمی برای استخراج ویژگی از تصاویر گوش استفاده کرد، که این روش بر پایگاه داده IITD II نرخ شناسایی 95,9 درصد را نشان میدهد.[11] آناپورانی و همکارانش در سال 2015 از ترکیب شکل گوش به عنوان الگوی عمومی و تراگوس گوش به عنوان الگوی محلی گوش استفاده کردند. این ویژگیها به طور جداگانه استخراج و سپس با هم ترکیب میشوند.
نتایج نشان میدهند دقت با استفاده از تکنیک فاصلهی همینگ در ویژگی تلفیق شده نسبت به ویژگی شکل گوش و تراگوس بهتر است.[12] در سال 2016 غوالمی و همکارانش به منظور بهبود کنتراست تصویر الگوریتم کلونی زنبور عسل را بکار گرفتند و از الگوریتم تبدیل مستقل از مقیاس ویژگی برای استخراج ویژگی استفاده کردند. آنها به دقت 97,15 درصد بر روی پایگاه داده USTB دست یافتند.
ساختار مقاله به شرح زیر است: در بخش 2 روش پیشنهادی توضیح داده میشود. آزمایشها و نتاج بدست آمده از روش پیشنهادی در بخش 3 بررسی و مقایسه میشوند. و در نهایت در بخش 4 جمعبندی نتایج بدست آمده از کل مقاله بیان میشود.
-2 روش پیشنهادی
در این مقاله یک روش جدید برای بازشناسایی تضاویر گوش ارائه می دهیم که دارای دقت تشخیص مناسبی است. پس از پیشپردازشهای اولیه، با استفاده از الگوی باینری محلی - LBP - 1 و کوانتیزهساز فاز محلی - LPQ - 2 ویژگیهای لازم را از تصاویر استخراج میکنیم، سپس با استفاده از تحلیل مولفه اصلی - PCA - 3 اندازه دادههای ورودی را کاهش می-دهیم، در نهایت برای طبقهبندی از طبقهبند k نزدیکترین همسایه و معیار شباهت کانبرا استفاده میکنیم. شکل 1 بلوک دیاگرام روش پیشنهادی ما را در سیستم شناسایی هویت افراد از طریق بیومتریک گوش نشان میدهد.
شکل - 1 بلوک دیاگرام روش پیشنهادی برای بیومتریک گوش
-2-1 پیشپردازش تصاویر
قبل از استخراج ویژگی، پردازشهای اولیهای روی تصویر گوش انجام میشوند، تا برای پردازشهای لازم آماده شود. تصویر به فرمت double تبدیل میشود . از آنجایی که LPQ به رنگ تصویر نیازی ندارد و فقط از اطلاعات بافت استفاده می کند، در مرحله پیشپردازش تصاویر به رنگ خاکستری تبدیل میشوند. همچنین اندازه تمامی تصاویر به 108×84 تغییر یافت.
-2-2 استخراج ویژگی
پس از انجام عملیات پیشپردازش، تصویر به الگوریتم استخراج ویژگی فرستاده میشود. برای استخراج ویژگی تصاویر از عملگرهای LPQ و LBP استفاده میکنیم. در مجموع 512 ویژگی با این دو عملگر برای هر تصویر گوش بدست می-آیند.
-2-2-1 استخراج ویژگی با عملگر LPQ
روش LPQ بدلیل عملکرد خوب در آنالیز بافت تصویر در سال های اخیر بسیار مورد توجه قرار گرفته است.[14] عملگر LPQ به تاری غیر حساس است
