بخشی از مقاله
چکیده
در جوامع امروزی مسائل امنیتی موردتوجه خاصی قرار گرفته اند و مسئله تشخیص هویت به منظوربرقراری هر چه بیشتر امنیت در جایگاه ویژه ای قرار دارد. درحال حاضر سیستم تشخیص افراد از روی عنبیه چشم دقیقترین و قابل اعتمادترین سیستم بیومتریک برای شناسایی اشخاص است. سیستم شناسایی افراد بر مبنای عنبیه شامل چهار مرحلهی بخشبندی، نرمالسازی، استخراج ویژگی و طبقه بندی میباشد.
در این مقاله پس از جدانمودن ناحیه عنبیه یک روش جدید برای استخراج ویژگیها با استفاده از روش DCT پیشنهاد شده است که در ابتدا تصاویر عنبیه به بلوکهای8×8 تقسیم شده و تبدیل DCT بر هر کدام از بلوکها اعمال میشود.
نتیجه خروجی این عملیات بر هر کدام از بلوک ها، خود یک ماتریس ضرایب تبدیل کسینوسی میباشد که تنها شش ضریب اول این ماتریس برای هر بلوک به عنوان ویژگیهای بلوک انتخاب شده، سپس این ویژگیها با استفاده از طبقه بند KNN طبقه بندی شدهاند و منجر به دقت بالایی شده است .
-1 مقدمه
یکی از مباحث مهم در جامعه امروزی که دغدغه بسیاری از کارشناسان و توسط جان داگمن ارائه شده که بر مبنای اطلاعات فاز الگوهای عنبیه همچنین کاربران میباشد بحث امنیت و تایید هویت است. در حال حاضر تشخیص انجام میشود. داگمن از عملگر انتگرال دیفرانسیل برای محاسبه سیستم تشخیص افراد از روی عنبیه چشم قابل اعتمادترین روش برای مرز مردمک و عنبیه استفاده کرد سپس تصویر عنبیه را با تبدیل به فرم قطبی
شناسایی اشخاص میباشد.عنبیه حلقه رنگی اطراف مردمک چشم است که از نرمال کرد و ویژگیها را با استفاده از موجک گابور دو بعدی استخراج کرد و با یک شبکه میلهای و لایههایی از رنگ دانهها، ماهیچهها و رباطها تشکیل استفاده از طبقهبند فاصله همینگ طبقه بندی کرد.
پس ازداگمن ،ویلدز شده است.عنبیه هر فرد در حدود هشت ماهگی کامل میشود و پس از آن در روشی مبتنی بر آنالیز بافت معرفی کرد.وی در ابتدا از گرادیان تصویر و تبدیل طول عمر وی تغییر نمیکند. یک سیستم تشخیص عنبیه شامل چهار مرحله هاف به منظور بخش بندی تصاویر استفاده کرد و پس از اعمال فیلترگوسی بخش بندی،نرمالسازی،استخراج ویژگیو طبقه بندی است.تاکنون مطالعات پائین گذر تصاویر را نرمالیزه کرد سپس از تجزیه هرم لاپلاسین برای فراوانی بر روی سیستم تشخیص هویت با عنبیه انجام شده است و روش های استخراج ویژگیها استفاده کرد. در نهایت ویژگیهای مستخرج با استفاده از مختلفی ارائه شده است.
اولین سیستم تشخیص عنبیه در دهه نود میلادی روش فاصله همینگ طبقه بندی کرد.[2]بولز روشی را ارائه نمود که ویژگی-های عنبیه را در سطوح مختلف رزولوشن بر اساس نقطه صفر تبدیل موجک تعیین میکند.[3]پورصابری و همکارانش از عملگر مورفولوژی با آستانهگذاری مناسب برای ناحیه بندی عنبیه استفاده کردندکه پس از نرمال سازی تصاویر با روش داگمن، ویژگیهای تصاویر با استفاده از فیلتر گابور مستخرج و توسط فاصله همینگ طبقه بندی کردند.[4]چین و چو برای تعیین مرزهای عنبیه از موجک دو یعدی و آستانهگذاری مناسب برای ناحیهبندی عنبیه استفاده کردند
ROY و همکارانش از الگوریتم مجموع سطوح و الگوریتم حداقل انرژی برای مکان یابی عنبیه استفاده کردند و با استفاده از ویولت دابیچیز ویژگیهای تصاویر عنبیه را استخراج کردند و توسط طبقهبند ماشین بردار پشتیبان طبقهبندی کردند
چینگ چنگ لی و همکارانش یک روش جدید مبنی بر روش پنجره گذاری روی تصاویر و سپس میانگین گیری از پیکسل مرکزی و همسایههایش برای استخراج ویژگی استفاده کردند
رای و همکارانش به منظور استخراج ویژگی از روش موجک هار و موجک گابور لگاریتمی استفاده کردند و یک طبقه بندی جدید براساس ترکیب ماشین بردار پشتیبان و فاصله همینگ ارائه دادند.
به طور کلی یک سیستم تشخیص هویت مبتنی برتصاویر عنبیه افراد از مراحل بخشبندی، نرمالسازی، استخراج ویژگی و طبقهبندی تشکیل شده است.
شکل - : - 1 روندکلی الگوریتم تشخیص هویت با عنبیه
1-2 بخش بندی تصاویرعنبیه
مرحله اول در تشخیص هویت با عنبیه ،پیدا کردن و تشخیص مرزهای عنبیه و صلبیه،عنبیه ومردمک است. روش به کار رفته در این مقاله براساس مقاله[9] میباشد که در آن از یک شیوه فرمولبندی جدید مطابق با قاعده تغییرات مجموع،استفاده شده است که در آن از تنظیم کننده نرم L در راستای مقابله با اثرات پیکسلها،بافت نویزی استفاده شده است و نتیجه آن مکان یابی دقیق عنبیه خواهد بود. بلوک دیاگرام شکل 2ساختارکلی شیوه به کار گرفته شده به منظور بخش بندی عنبیه را نشانمیدهد .
شکل - : - 2بلوک دیاگرام کلی بخش بندی عنبیه
در روش بخش بندی استفاده شده درایتدابه منظورارتقاتصویروسطح نوراز شیوه شبکیه تک مقیاس استفاده شده است پس از آن به منظور از بین بردن پیکسلهای نویزی،از یک فیلتر میانه استفاده شده است.علاوه بر آن تنها از کانال رنگی قرمز استفاده می کنیم.پس از آن به منظور مکانیابی ساختار اصلی چشم، یعنی مرزهای پلک،مردمک و صلبیه از مدل مجموع تغییرات نسبی - RTV− 1 - استفاده شده است.سپس به منظورآشکار-سازی دقیق مرزهای عنبیه ازشیوه تبدیل هاف دو فازی لستفاده می کنیم
.به منظور پردازش پیکسلهای نیمه پایینی دایره عنبیه درتصویر،یک رویکرد دودویی سازی وفقی بر پایه هیستوگرام بکار گرفته میشود.نواحی زائد مانند پلک و مژه نیمه پایینی و بالایی عنبیه با استفاده از روش استانه گذاری حذف میشود.
2؛2نرمال سازی تصاویر عنبیه
وقتی که ناحیه عنبیه به درستی از ابعاد چشم استخراج شد،مرحله بعدی انتقال ابعاد عنبیه به مختصاتی که دارای ابعادثابت بوده که بتوانمقایسه را انجام داد.فرایند نرمال سازی ناحیه عنبیه را به صورتی دوباره بازسازی می-کند که بتوان دوتصویر گرفته شده در شرایط مختلف از چشم را با هم مقایسه کرد.دراین مقاله برای نرمال سازی تصاویر عنبیه از روش صفحه لاستیکی داگمن استفاده شده است.درمدل صفحه لاستیکی داگمن تصویر عنبیه به دستگاه مختصات قطبی برده میشود.در روش داگمن تغییرات مردمک و اختلاف اندازه عنبیه مد نظر قرار میگیرد تا تصویر متناظری با ابعاد تعریف شده ایجاد گردد.
3؛2استخراج ویژگی تصاویر عنبیه با استفاده از روشDCT
پس از پیدا کردن مرزهای داخلی و خارجی عنبیه و نگاشتن این ناحیه به یک نوار مستطیل شکل با ابعاد ثابت ،باید از نوار بدست آمده یک بردار ویژگی استخراج کنیم .این بردار ویژگی باید به گونه ای باشد که از ویژگیهای منحصر به فرد عنبیه جهت مقایسه و طبقه بندی افراد از طریق الگوهای عنبیه میپردازیم.
ایده اصلی تبدیل کسینوسی گسسته - - DCT جداسازی تصویر به بخش-هایی با فرکانسهای متفاوت است. در طول مرحله ای با نام پله ای سازی ، که در واقع فشرده سازی اصلی را در این مرحله خواهیم داشت، از فرکانسهای کم اهمیت صرف نظر میشود. مراحل زیر روال کلی فرایند را بیان میکند.
.1تصویر موردنظر به بلوک های 8×8پیکسلی تقسیم میشود.
.2با حرکت از چپ به راست و از بالا به پایین ،DCT بر روی هر بلوک اعمال میگردد.
.3هر بلوک توسط عملیات پله ای سازی فشرده میشود.
.4آرایه شامل بلوکهای فشرده شده تشکیل دهنده تصویر در فضای بسیار کمتری ذخیره میشوند.
.5در زمان مطلوب ،تصویر به واسطه نا هم فشرده سازی ،یعنی فرایندی که از تبدیل کسینوسی گسسته معکوس - IDCT - استفاده مینماید،بازسازی میشود.
معادله DCT - رابطه - 1 درایهi,j ام تبدیل کسینوسی گسسته یک تصویر را محاسبه میکند.
که در این رابطه، p - x,y - نشان دهنده عنصر x,y ام تصویر است که به کمک ماتریس p بیان میشود و N اندازه بلوکی است که DCT بر روی آن اعمال میشود. این معادله، درایهi,j ام متعلق به تصویر تبدیل یافته را با توجه به مقادیر پیکسل موجود در ماتریس تصویر اصلی محاسبه می نماید. برای بلوکاستاندارد 8×8 که فشرده ساز JPEG از آن استفاده می کند، N برابر با 8 بوده و x و y مقادیر بین 0 تا 7 خواهند داشت. بنابراین، D - i,j - مطابق با رابطه 3 خواهد بود.
از آنجا که DCT از توابع کسینوسی استفاده میکند، ماتریس بدست آمده به فرکانس های افقی، قطری و عمودی وابسته است. از این رو برای یک تصویر سیاه شامل تغییرات فرکانسی بسیار، ماتریس بدست آمده ظاهری بسیار تصادفی خواهد داشت، حال آنکه انتظار میرود در ماتریس بدست آمده برای یک تصویر تک رنگ، درایه اول مقداری بزرگ داشته و سایر درایه ها هم ارز با صفر باشند.
4؛2 طبقه بندی تصاویر عنبیه
هدف درمرحله آخریافتن معیاری مناسب جهت مقایسه ویژگیهای استخراج شده است تابراساس آن بتوان به میزان شباهت یاعدم شباهت دوالگوی بدست امده دست یافت.
-3نتایج تجربی
در این بخش به تحلیل نتایج تجربی می پردازیم .دیتابیس مورد استفاده در این مقاله دیتابیس CASIA VERSION4میباشدکه در آن هر فرد هفت تصویر دارد.همان طور که در بخشهای قبل بیان شد عنبیه توسط مدل مجموع تغییرات نسبی مطابق مقاله [ 9] مکان یابی میشود که نتایج حاصل از آن درشکل زیرآمده است.
