بخشی از مقاله
چکیده -
در این مقاله، یک روش احراز هویت جدید با استفاده از اثر کف دست پیشنهاد شده است. کف دست یکی از شاخص هاي فیزیولوژیکی قابل اطمینان می باشد که می تواند در احراز هویت افراد مورد استفاده قرار گیرد. در اینجا، ما از تبدیل کانتورلت براي استخراج خصیصه ها استفاده کرده ایم. تبدیل کانتورلت منحنی هاي نرم را به خوبی پیدا می کند. بعد از انتخاب خصیصه هاي حاوي اطلاعات مفید توسط روش مبتنی بر فیلتر AGV؛ یک نسخه بازبینی شده نزدیکترین همسایه، اثر کف دست را براي احراز هویت طبقه- بندي می کند. نتایج آزمایشات، نشان می دهد که روش تشخیص کف دست پیشنهادي، کارآمد می باشد.
-1 مقدمه
بیومتریک - Biometrics - یکی از شاخه هاي علم و تکنولوژي است که در آن، هدف، تشخیص یا احراز هویت بر اساس ویژگی هاي فیزیولوژیکی یا رفتاري شخص می باشد. در بیومتریک از شاخص هاي بدنی مثل اثرانگشت، اثرکف دست، شکل دست، چهره، عنبیه، شبکیه و گوش استفاده میشود؛ شاخص هاي رفتاري نیز شامل امضا، صدا، حرکت لبها، نحوه راه رفتن، ژست و حرکات و نحوه فشردن کلید می باشند
کاربرد اصلی بیومتریک در حوزه امنیت می باشد. اما کاربرد هاي دیگري در حوزه جرائم، امور قانونی و دادگاهی و همچنین رابط هاي کامپیوتر- انسانی هوشمند نیز دارد
سیستم هاي بیومتریک به دو دسته تشخیص هویت - - identification و اعتبار سنجی - verification - تقسیم بندي می شوند1]،2،.[3 در identification هدف تشخیص هویت فرد از بین افراد موجود در پایگاه داده می باشد. در اینگونه سیستم ها به سوال "من کی هستم؟"پاسخ داده می شود.
در verification فرد هویت خود را ارائه می دهد و هدف سیستم تائید هویت اوست و در اینگونه سیستم ها به سوال "آیا من همانی هستم که ادعا می کنم؟" پاسخ داده می شود
دست انسان یکی از مقبول ترین شاخص هاي بیومتریک است. کف دست خصیصه هاي غنی مانند خطوط اصلی و فرعی و زمینه دارد و این اطلاعات براي تشخیص فرد از یک جمعیت، پایدار و متمایز هستند
یک سیستم تشخیص بیومتریک دست معمول در چند مرحله کار خود را انجام می دهد: .1 استحصال داده .2 پیش پردازش .3 استخراج خصیصه .4 تطبیق .5 تصمیم گیري.
الگوریتم هاي احراز هویت کف دست به سه دسته کلی: مبتنی بر خط؛ مبتنی بر تصویر؛ و مبتنی بر آمار تقسیم بندي می شوند
در دسته اول از طریق خطوط اصلی و فرعی کف دست احراز هویت انجام می شود. خطوط به طور مستقیم و یا در فرم هاي دیگر تطبیق داده می شوند روشی بر اساس خطوط کف دست ارائه شده است.
در روش هاي مبتنی بر تصویر از PCA، LDA، ICA جهت استخراج و انتخاب خصیصه استفاده شده است. به علاوه محققان از تبدیل هاي کسینوسی گسسته، گبور و موجک نیز در این روش ها جهت استخراج خصیصه بهره برده اند1]،.[4 در 6]،[7 روش هائی از این دست به کار گرفته شده است. در کل می توان گفت که روش هاي مبتنی بر تصویر احتیاج به دانش قبلی در مورد اثر کف دست ندارند.
در روش هاي مبتنی بر آمار به دو صورت محلی و سراسري خصیصه هاي آماري از درون تصویر استخراج می شوند. خصیصه هاي آماري محلی بعد از تقسیم بندي خود تصویر یا تصویر تبدیل شده به ناحیه هائی که معمولا مستطیل شکل هستند، به دست می آیند. در این روش ها نیز از تبدیل هاي فوریه، گبور و موجک جهت استخراج اطلاعات آماري ناحیه هاي تصویر استفاده شده است. علاوه بر آن در روش هائی دیگر، خصیصه هاي سراسري مثل مراکز ثقل و چگالی جهت تطبیق، استخراج می شوند1]،.[4 به عنوان مثال در 8]،[9 از روش هاي آماري استفاده شده است.
در این کار یک روش مبتنی بر تصویر با استفاده از خصیصه هاي تبدیل کانتورلت ارائه شده است.
تبدیل کانتورلت به عنوان بهبودي بر تبدیل کرولت پیشنهاد شد. تبدیل کانتورلت یک بسط مالتی رزولوشن جهتدار کارآمد بوده که توانایی بالایی در نمایش تصاویر شامل منحنی ها و کانتورهاي هموار را داراست. تبدیل کانتورلت نه تنها تمام ویژگی هاي تبدیل موجک اعم ازمحلی سازي مکان- فرکانس و نمایش مالتی رزولوشن را داراست، بلکه ویژگی هاي دیگري از جمله جهتداري و ناهمسانگردي را نیز دارا می باشد
ادامه مقاله شامل بخش هاي .2 الگوریتم پیشنهادي؛ .3 نتایج آزمایشات و .4 نتیجه گیري می باشد.
-2 الگوریتم پیشنهادي
قسمت هاي مختلف الگوریتم در شکل 1 نمایش داده شده است.
شکل :1 مراحل مختلف الگوریتم پیشنهادي
-1-2 استخراج خصیصه
از تبدیل کانتورلت[10] جهت استخراج خصیصه ها استفاده شده است. با اعمال این تبدیل بر روي تصاویر کف دست یک ماتریس ضرائب به دست می آید؛ و سپس این ماتریس یعنی بردار خصیصه ها به عنوان ورودي مرحله بعد مورد استفاده قرار می گیرد.
-1-1-2 تبدیل کانتورلت
تبدیل کانتورلت، تبدیل دو بعدي جهتدار جدایی ناپذیري است که براي توصیف منحنی ها و جزئیات ظریف در تصاویر به کار می رود. بسط کانتورلت از توابع پایه اي که در جهات مختلف با اشکال و مقیاسهاي مختلف گرایش دارند - ناهمسانگردي - تشکیل شده است. با این مجموعه از توابع پایه اي غنی، تبدیل کانتورلت به طور کارایی کانتورهاي هموار که اجزاي اصلی و مهم در تصاویر طبیعی می باشند را توصیف می کند. برخلاف دیگر تبدیل ها که ابتدا در یک حوزه پیوسته ساخته می شوند و سپس براي نمونه برداري داده گسسته می شوند، تبدیل کانتورلت با کمک فیلتر بانکها از یک حوزه گسسته شروع شده و سپس از طریق یک چهارچوب تحلیلی مالتی رزولوشن به یک حوزه پیوسته همگرا می شود
تبدیل موجک مانند هرم لاپلاسین - - LP که یک تبدیل چند مقیاسه است و براي تسخیر نقاط ناپیوسته تصویر یعنی همان لبه هاي تصویر بکار می رود را با یک فیلتر بانک جهتدار که براي ارتباط نقاط ناپیوستگی به یک ساختار خطی به کار می رود ترکیب می کنیم . به چنین ترکیبی " فیلتر بانک جهتدار هرمی " - PDFB - و به بسط حاصل از آن تبدیل کانتورلت می گویند. ساختار بلوکی براي فیلتر بانک کانتورلت در شکل 3 همراه با یک مثال از افراز فرکانسی اش نمایش داده شده است.
شکل :3 نمودار یک فیلتر بانک جهتدار هرمی - a - - PDFB - بلوك دیاگرام - b - . PDFB نحوه تقسیم بندي صفحه فرکانس حاصل از .PDFB تعداد زوایا با افزایش فرکانس افزایش می یابد
در این کار، در تبدیل کانتورلت از فیلترهاي '9-7' و PKVA به ترتیب براي فیلتر بانک هاي هرمی و جهتدار استفاده شده است؛ و در دو سطح تجزیه صورت گرفته و در هر سطح در چهار جهت خصیصه ها استخراج شده اند.
-2-2 انتخاب خصیصه
بعد از استخراج خصیصه ها که همان ضرائب تبدیل کانتورلت بر روي تصویرهاي کف دست هستند؛ به یک ماتریس به اندازه 7720 × 1248 دست می یابیم. تمامی این ضرائب الزاماً براي طبقه بندي و تشخیص هویت، حاوي اطلاعات مفید نیستند. بنابراین، براي جلوگیري از تأثیر این اطلاعات بی فایده در طبقه بندي، تعداد خصیصه ها باید با استفاده از یک روش انتخاب خصیصه مناسب کاهش یابد. در بین روش هاي انتخاب خصیصه مبتنی بر فیلتر جدید،
- AGV - Across group variance یک روش انتخاب خصیصه مبتنی بر فیلتر می باشد که از یک فرمول متفاوت PCA استفاده می کند. در مرحله اول با استفاده از PCA، ابعاد ماتریس خصیصه ها کاهش پیدا می کند و سپس در مرحله دوم خصیصه هاي باقیمانده بر اساس قابلیت تمایز آنها رده بندي می شوند.
-3-2 طبقه بندي
بعد از انتخاب خصیصه هاي مفید، حال با استفاده از یک طبقه بند احراز هویت را تکمیل می کنیم. در این روش، ما از طبقه بند نزدیک ترین همسایه استاندارد[12] و یک نوع دیگر بازبینی شده آن[13] جهت طبقه بندي استفاده کرده ایم. هر دفعه یکی از تصاویر کف دست به عنوان نمونه تست در نظر گرفته می شود و با تشخیص دسته مورد نظر تشخیص هویت انجام می شود.
-1-3-2 طبقه بند نزدیک ترین همسایه
ایدهي اساسی طبقه بند نزدیکترین همسایه این است که نمونهاي که بین نمونههاي آموزشی از همه بیشتر شبیه به نمونهي تست باشد باید براي تعیین برچسب کلاس نمونههاي تست به کار رود. این روش کاملا شهودي و قابل درك است. این طبقه بند به سه فیلد اطلاعاتی نیاز دارد: - 1 مقدار K، یعنی بر اساس شباهت دادهي تست با چند تا از نزدیکترین همسایهها، برچسب آن را مشخص کنیم، - 2 مجموعهاي از دادههاي برچسب دار که به عنوان دادههاي آموزشی مورد استفاده قرار گیرند و - 3 یک معیار مناسب براي نشان دادن شباهت.
-2-3-2 طبقه بند نزدیک ترین همسایه بازبینی شده - RNN -
از عمومیترین معیارهاي شباهت بین دو متغیر تصادفی، فاصلهي بین آنهاست. در این طبقه بند براي افزایش درجه اطمینان تصمیم اولین نزدیکترین همسایه به جاي استفاده از یکی از معیارهاي ذکر شده از سه تا از معیارها به طور همسان استفاده میشود و نتیجه طبقه بند براي هر نمونه تست بیشترین راي بین این سه معیار خواهد بود
-3 نتایج آزمایشات
ما از مجموعه داده استاندارد [14]PolyUPalmprint که مربوط به مرکز تحقیقات بیومتریک دانشگاه پلی تکنیک هنک کنگ می باشد و شامل 7752 تصویر کف دست مربوط به 386 نفر در فرمت bmp می باشد، جهت انجام آزمایشات استفاده کرده ایم. این مجموعه در دو سري جمع آوري شده است. از هر کف دست حدود 20 تصویر و از هر سري حدود 10 تصویر وجود دارد.
