بخشی از مقاله
چکیده
مرحله استخراج ویژگیها در تشخیص هویت بر اساس شناسایی عنبیه نقش بسیار مهمیدارد. محققان دائماً در حال تحقیق در مورد استخراج ویژگی عنبیه میباشند تا درصد موفقیت تشخیص هویت را بهبود بخشند. در این میان، وجود تصویری باکیفیت و دارای جزئیات زیاد میتواند در تقسیمبندی و استخراج ویژگی صحیح، نقش مثبتی را ایفاد نماید. با توجه به بررسیهای انجام شده روی تصاویر عنبیه، در این تصاویرعموماً هر فردی دارای ارتعاشات منظم و منحصر به فردی در این بخش از چشم خود میباشند.
بنابراین در این تحقیق سعی بر این است که از ترکیب دو تکنیک DCT و DWT، این ارتعاشات در استخراج ویژگیهای عنبیه شناسایی شوند. پس از استخراج ویژگی و کد کردن آنها با استفاده از شبکه عصبی پرسپترون، تشخیص انجام میشود. روش پیشنهادی روی دو پایگاه داده با تصاویر سیاه و سفید و رنگی به نامهای Casia و Upol اجرا گردید و نتایج حاصله در هریک با دقت 96/13 و 95/90 نشان میدهد که بکارگیری تبدیلات فرکانسی میتواند نتایج بهتری نسبت به سایر روشها داشته باشد.
.1 مقدمه
امروزه به علت اهمیت روزافزون اطلاعات و ضرورت ایجاد امنیت بیشتر اطلاعات مخصوصا در اینترنت، ابزارهای قدیمی مانند استفاده از پسورد به تنهایی جوابگو و قابل اعتماد نمیباشد، خصوصا با ایجاد تجارت الکترونیک و خرید و فروش اینترنتی، مسلئه امنیت نه تنها برای شرکتها و بانکها بلکه برای عموم افراد مهم شده است؛ بنابراین متخصصین به دنبال راهحلهای مطمئنتر میگردند. یکی از موفقترین راههای یافته شده، استفاده از علم بیومتریک است. در میان بیومتریکهای مختلف، بیومتریک عنبیه جزء مطمئنترین بیومتریکها به شمار میآید که در این پژوهش به آن پرداخته میشود .
در این مقاله سیستم شناسایی عنبیه و مخصوصاً روشهای مختلف استخراج ویژگی را برای عنبیه از قبیل ویولت، هندسه فرکتالها و تبدیل کسینوسی گسسته مورد بررسی قرار داده شده است. این روش ها روی تصاویر عنبیه ارزیابی شده و با کدگذاری، با هم مقایسه گردیدهاند و بهترین آنها در نتیجه و در استحکام در برابر نویز معرفی شده اند. یک سیستم شناسایی عنبیه سیستمی است که بتواند هویت شخصی را از روی تصویر عنبیه آن شخص و با توجه به اطلاعات پایگاه داده، شناسایی کند. یک سیستم شناسایی عنبیه را می توان متشکل از دو بخش اصلی دانست. بخش اول مختصات چهره را برروی تصویر ورودی مشخص میکند. وظیفه بخش دوم شناسایی عنبیه ورودی با توجه به اطلاعات پایگاهدادهها میباشد.
دراین سیستم فرض براین است که تصاویر ورودی، تصویر عنبیه میباشند. می توان مساله مورد بررسی را به این صورت تعریف کرد که شناسایی عنبیه عبارتست از پیداکردن نزدیکترین تصویر و یا تصاویر عنبیه به تصویر ورودی از میان تصاویر موجود در پایگاهدادهها. سیستمهای شناسایی عنبیه با توجه به کاربرد، تقسیمبندی میشوند. بهعنوان نمونه استاندارد FRVT2002 سیستمهای شناسایی عنبیه را از نظر کاربرد به سه بخش تقسیم نموده است: [1]
o شناسایی هویت: در این کاربرد هویت شخص از روی تصویر شخص و با توجه به اطلاعات پایگاهدادهها شناسایی میشود.
o تایید هویت: در این کاربرد هویت ادعا شده توسط شخص با تصویر شخص مطابقت داده میشود و هویت ادعا شده مورد تایید قرار گرفته و یا رد می شود.
o لیست تصاویر عنبیه: در این کاربرد شباهت تصویر ورودی با هر یک از تصاویر موجود در پایگاهدادهها سنجیده میشود و سپس تصاویر موجود در پایگاهدادهها بر اساس شباهت بیشتر به تصویر ورودی مرتب میشوند.
اگر چه سه کاربرد ذکر شده شباهتهای زیادی دارند و اساس کار همگی مشابه میباشد ولی برای رسیدن به الگوریتمهای بهینه در هر کاربرد این نوع تقسیمبندی میتواند مفید واقع شود. آنچه در این مطالعه مورد بررسی قرار میگیرد، کاربرد نوع اول یعنی شناسایی هویت میباشد. سیستم شناسایی عنبیه با استفاده از تبدیل فرکتال ویولت [2] با توجه به عمل زمانبر بودن تبدیل فرکتال و قابلیت بالای آن در فشردهسازی ضرایب از ترکیب فرکتال و ویولت هار استفاده شده است به این صورت که ابتدا با اعمال تبدیل ویولت و تجزیه آن به زیر ویژگیهای متفاوت، اجرای تبدیل فرکتال بر روی زیر ویژگیهای ویولت هم زمان پردازش و هم به نتیجه بالاتری در شناسایی رسیده است.
یک روش جدید برای کدگذاری عنبیه بر اساس تفاوتهای ضرایب تبدیل سریع و آسان بخشهای گوشهدار و لایهبندی شده از تصاویر نرمال [3]، روی دو مجموعه اطلاعاتی از تصاویر عنبیه که قابل دسترسی میباشند، انجام میشود. این الگوریتم روی دو مجموعه از پایگاهداده کاسیا و آپل با مجموعه زیاد از تصاویر اجرا شده و به صد در صد نرخ بازشناسی صحیح دست یافته است. ونگ [4] در سال 1984 این تبدیلات را به چهار دسته اصلی تقسیم نمود که با نام های DCT-I ، DCT-II، DCT-IIIو DCT-IV شناخته میشوند.
در [5] روش جدیدی برای طراحی و شناسایی پیشنهاد میشود. این روش ترکیبی برای شناسایی بر اساس ترکیب دو تبدیل لبه کنی و تبدیل هاف دایرهای برای آشکار سازی مرزهای عنبیه پیشنهاد میشود سپس به کمک تبدیل ویولت برای استخراج ویژگی و شناسایی و همچنین بردار ویژگی با ویولت استخراج میشود. در [6] تشخیص بیومتریک یکی از راههای معقول و معمولی برای تشخیص هویت یک فرد زنده و درحال زندگی بر اساس ویژگیهای فیزیکی یا عملکردی میباشد. یک ویژگی فیزیکی اساساً یک ویژگی فیزیکی ثابت است مانند اثر انگشت -نوع عنبیه -ویژگیهای صورت و چهره. در [7] جین و ژونگ روشی را برای انتخاب ضرایب تبدیل DCT ارائه نمودند که بر اساس محاسبه پراکندگی نمونه های داخل کلاس و پراکندگی بین کلاسهای مختلف میباشد.
در روش ارائه شده ابتدا ضرایب تبدیل کسینوسی گسسته به باندهایی تقسیم میشوند. در [8] یک تکنیک شناسایی پایه با تبدیل ویولت مورلت با ضرایب حقیقی میباشد در ابتدا باید عنبیه مکانیابی و مشخص شود سپس نرمالیزه گردد و در مرحله بعد باید تصویر عنبیه به داخل یک مستطیل - چهار گوش - منتقل شود؛ سپس تبدیل مورلت یک بعدی سطر به سطر بر روی ناحیه مستطیلی اعمال میشود و با انتخاب یکسری از ضرایب حقیقی تبدیل ویولت با سنجش میزان اختلاف شکل با استفاده از ضرایب حقیقی مؤثر انتخاب شوند. در [9] در سال 2000 داگمن اولین الگوریتم موفق شناسایی عنبیه را ارائه کرده است که پایه اکثریت بزرگی از سیستمهای شناسایی عنبیه تجاری را تشکیل داده است.
در [10] شناسایی الگو به معنی مرتب کردن داده ها و کار کردن بر اساس مجموعه الگوها می باشد که توسط انسانها در هزارها سال برای ایجاد بقا به کار رفته است. در چند دهه اخیر شناسایی الگو در محدوده علم کامپیوتر حوزه بینایی ماشین تشکیل شده است تا راه حلی برای مسائل روزمره از قبیل شناسایی صوت و کلمه، عیب یابی پزشکی، شناسایی ترتیب DNA، تشخیص ویروسها و نرم افزارهای جاسوسی کامپیوتر باشد.
.2 روش پیشنهادی
همانطور که در شکل 1 مشاهده میشود، روش پیشنهادی معرفی شده در این مقاله بدین صورت میباشد که ابتدا تصاویر فراخوانی میشوند و عملیات یکسانسازی اندازه تصویر انجام می پذیرد. در ادامه به منظور افزایش دقت و سرعت در نتایج، بخشهای اضافی تصویر با جدا سازی عنبیه صورت می پذیرد تا سیستم شناسایی عنبیه و روشهای مختلف استخراج ویژگی انجام شود. ویژگیهای بکار رفته در روش پیشنهادی عبارتند از:
.1-2 تبدیل DWT
این تبدیل از تبدیلات ثابت است. مشخصه و ویژگی خوب آن استخراج و بخشبندی ویژگیها میباشد. بهطوریکه در هر مرحله از اجرای ویولت باید ویژگیهای با اطلاعات بالا - کلیات تصویر - و ویژگیهای با اطلاعات کم - جزئیات تصویر - همچنین ویژگیها در راستای افقی و عمودی از تصویر از هم جدا گردد. با هر مرحله از اجرای این تبدیل، نسبت فشرده سازی 1/4 است. زیرا ابعاد تصویر در هر مرحله نصف میشود. با اجرای دو مرحله ویولت، این نسبت به 1/16 میرسد و.... . البته باید توجه داشت که ابعاد تصویر تا مرحله مورد نظر به 2 قابل تقسیم باشد و تا زمانی این کار قابل قبول است که ویژگیهای عمده تصویر حذف نگردند. لازم به یاد آوری است که با اعمال هر مرحله ویولت کلیات تصویر دوباره تقسیم میشود.
.2-2 تبدیل DCT
این الگوریتم به منظور کاهش ابعاد ویژگیها و در نتیجه کاهش حجم محاسبات و کاهش زمان لازم برای انجام محاسبات با استفاده از ویژگیهای اصلی DCT، ویژگیهای محدود و موثری جهت شناسایی تصاویر انتخاب میکند. در استفاده از تبدیل کسینوس گسسته با توجه به اینکه میتوان تعدادی از ویژگیهای بزرگ را انتخاب کرد، میتوان به عنوان یک تبدیل مفید از آن استفاده کرد. البته این روش انتخاب ویژگی تا حدی میتواند کاهش یابد که خطای سیستم از حد قابل قبولی کمتر نشود. در صورتی که تمام مولفههای یک تصویر در محاسبات اعمال شود، حجم محاسبات بالا بوده و زمان پردازش نیز زیاد میشود. ولی با انتخاب مولفههای بزرگ، نسبت فشردهسازی افزایش یافته و حجم محاسبات کم بوده و زمان پردازش نیز کاهش مییابد که این کار خطا را وارد کار میکند که در مقابل کم بودن زمان پردازش و محاسبات، قابل قبول است.
.3-2 تبدیل DFT
فشرده سازی فرکتالی از مباحث مورد توجه چند سال اخیر بوده است. در این شیوه با کنار هم قرار گرفتن مجموعهای از قطعه تصویرها که نگاشت مناسبی بر روی آنها اعمال شده است، تصویر اصلی ساخته میشود. انتخاب قطعه
