بخشی از مقاله
چکیده
شناسایی انسان از روی رگهای کف دست یکی از مهمترین روش های بیومتریک است که احتمال کپی کردن و تقلب در آن کمتر است. موقعیت عروق رگهای کف دست برای تمام عمر باقی میماند و الگوی آن کاملا منحصر به فرد است.
در این مقاله، یک سیستم شناسایی رگ کف دست بر اساس الگوهای بافت محلی ارائه میدهیم. الگوهای باینری محلی با دو مقیاس مختلف به تصویر اعمال و از هیستوگرام به عنوان ویژگی استفاده شد و برای تطبیق دو الگو ضریب همبستگی به کار رفت. برمبنای آزمایشات ما روش ارائه شده نرخ شناسایی 99 .33 درصد برروی 100کف دست مختلف از پایگاه داده cassia تولید کرده است. این روش علاوه بر اینکه نرخ شناسایی بالایی دارد، زمان انجام محاسبات هم کم است.
-1 مقدمه
شناسایی انسان از روی رگهای کف دست یکی از تکنولوژیهای جدید بیومتریک است که اخیرا به وجود آمده است، رگهای کف دست در داخل بدن انسان هستند بنابراین احتمال جعل آنها خیلی کم است، موقعیت عروق رگهای کف دست برای تمام عمر باقی میماند و الگوی آن کاملا منحصر به فرد است. بسیاری از محققان از بافت رگهای کف دست برای شناسایی استفاده کردهاند. روش های مبتنی بر بافت، تصویر رگ کف دست را به عنوان بافت تصویردرنظر میگیرد و از روش های مانند فیلتر گابور و الگوی باینری محلی برای شناسایی استفاده میکند.
روش موجک گابور توسط - - Wang,2012,18:24 استفاده شده و نرخ شناسایی 98.88 درصد تولید کرده است. الگوی باینری محلی با نرخ شناسایی 93.2 و الگوهای مشتق محلی با نرخ شناسایی97 توسط - Mirmohamadsadeghi - استفاده شده و الگوهای جهت محلی نرخ خطای برابر 0.2752 درصد توسط - Bu,2012 - گزارش شده است.
در این مقاله ما یک روش استخراج ویژگی بر اساس الگوی باینری محلی پیشنهاد میکنیم. بقیه مقاله به شرح زیر است: در بخش 2 تصویربرداری، در بخش 3 مرحله پیش پردازش که شامل فیلترکردن، استخراج ناحیه roi و بهبود تصویر و نرمالیزه کردن است ارائه شده است، در بخش 4 روش استخراج ویژگی با استفاده از الگوهای باینری محلی و در نهایت نتیجه تجربی وبحث در بخش 5 و 6 گزارش شده است.
-2 تصویربرداری
دو فنآوری تصویربرداری مادون قرمز در حال حاضر برای به دست آوردن الگوی رگهای بدن انسان وجود دارد. این دو تکنولوژی تصویربرداری دور به مادون قرمز و نزدیک به مادون قرمز میباشد. تکنولوژی تصویربرداری دور به مادون قرمز برای گرفتن الگوی رگهای بزرگ در پشت دست مناسب هستند. بنابراین بیشتر تصاویر دور به مادون قرمز کنتراست پایین دارند که جدا کردن رگها از پس زمینه را سخت میکند. تکنولوژی تصویربرداری نزدیک به مادون قرمز برای تصویربرداری از الگوی رگ کف دست، پشت و مچ دست مناسب است که مقاوم به تغییر شرایط محیطی و بدن مانند محیط در فضای باز و تهویه مطبوع میباشد.
پوست انسان از 3 قسمت تشکیل شده است: بیرونی ترین قسمت، غشاء میانی و قسمت درونی پوست که هر سه لایه شامل چربی و خون با نسبت های متفاوت است و لایه درونی شامل رگها و عروق است. لایههای مختلف پوست پاسخهای مختلفی به طول موج نور تابشی نشان میدهند. عمق نفوذ نور برای تصویربرداری نزدیک به مادون قرمز در 850 نانومتر 3.57 میلیمتر تخمین زده میشود. نور مادون قرمز به این عمق بافت بدن نفوذ میکند و هموگلوبین موجود در خون، نور مادون قرمز را بیشتر از بافتهای اطراف جذب میکند، به همین علت رگها تاریکتر به نظر میرسد. بنابراین، دستگاه های تصویر برداری رگ کف دست با کارگیری نور مادون قرمز و یک سنسور تصویربرداری میتواند الگوی رگهای داخلی از کف دست را به دست آورد.
-3 پیش پردازش تصویر
-1-3 استخراج ناحیه roi
در مرحله پیشپردازش ابتدا باید ناحیه ROI1 از کف دست استخراج شود ناحیه ROI استخراج شده میتواند یک ناحیه دایرهای یا مربعی از کف دست باشد که ما ناحیه مربعی از کف دست استخراج کردیم. برای این کارابتدا برای از بین بردن نویز و کاهش جزئیات، تصویر کف دست با یک فیلتر مثل هموارساز گوسی هموار میشود.
در فرمول - - 1 و - 2 - ، g - x,y - تابع گوسی و انحراف معیار، I - x,y - تصویر اصلی، * عملگر کانولوشن و f - x,y - نتیجه کانولوشن تصویر اصلی و تابع گوسی میباشد. با روش آستانه یابی اتسو - Otsu,1979,62-66 - تصویر به باینری تبدیل میشود که در فرمول - 3 - ، th آستانه به دست آمده با روش اتسو و B - x,y - تصویر باینری میباشد. سپس عملیات مورفولوژی باز کردن برای حذف اغتشاشات و برای پیوسته کردن لبهها عملیات گسترش به کار میرود.
روش لاپلاسین گوسی - - Mubarak Shah,2012,Lecture3 برای آشکارسازی لبه به کار رفته و مرکز ثقل - Prokop - کف دست از تصویر باینری با رابطه - 4 - و - 5 - محاسبه شده است. در شکل 1 نتیجه کانولوشن تصویر با تابع گوسی، باینری کردن و لبهیابی تصویر و نقاط کلیدی استخراج شده نشان داده شده است. فاصله مرکز ثقل تا مرزهای دست محاسبه و درشکل 2 نشان داده است که محور عمودی فاصله و محور افقی پیکسل مرز را نشان میدهد.
شکل 1 مراحل استخراج ناحیه - 1 - roi کانولوشن تصویر با تابع گوسی - 2 - تصویر باینری شده - 3 - تصویر لبه یابی شده - 4 - نقاط کلیدی
شکل 2 فاصله مرکز ثقل تا مرزهای کف دست
باتوجه به شکل 2 نقاط مینیمم را پیدا میکنیم. نقاط دره انگشتان که فاصله بین انگشت کوچک و انگشت حلقه - , - و فاصله بین انگشت وسط و انگشت اشاره - , - مشخص میشود، این دو نقطه به عنوان نقاط مرجع هستند. خط عبوری از این دو نقطه محاسبه و با نشان داده میشود .
در شکل 1 دو نقطه مرجع نشان داده شده است. برای حذف چرخشی که کف دست میتواند داشته باشد با توجه به خط /P1 و خط افق یک زاویه تشکیل میشود که با توجه به رابطه - 6 - تصویر به اندازه درجه چرخیده میشود. نقطه وسط خط /P1 محاسبه و طول نقطه وسط و یکی از نقاط مرجع محاسبه و با نشان داده شده است، در اینجا طول roi با توجه به روابط زیر تعیین میشود. مقدار به طور تجربی تعیین میشود که در این کار مقدار ، 1.3 در نظر گرفته شده است. شکل 3 مراحل استخراج ناحیه roi از کف دست را نشان میدهد.
