بخشی از مقاله
چکیده
بیومتریکهای مبتنیبر سطح خارجی بندانگشت به دلیل داشتن الگوهای ذاتی پایدار و منحصربفرد به عنوان یک خصیصه بیومتریک بالقوه و نوظهور جهت احراز هویت مطرح هستند. سیستمهای تایید هویت بندانگشت موجود در تشخیص تصاویر مخدوش به نویز ضعف دارند. در این مقاله سیستمی مقاوم در برابر نویز ارائه شده است که ابتدا نویز تصاویر را با یک فیلتر میانگین بهینه شده با الگوریتم ژنتیک حذف میکند و سپس با استفاده از روش تبدیل موجک به استخراج ویژگیها پرداخته و ویژگیهای مفید با الگوریتم ژنتیک انتخاب و توسط ماشین بردار پشتیبان طبقهبندی میشوند. نتایج حاصل در این مقاله نشان میدهد توانستهایم دقت سیستم را روی 99,468 حفظ کنیم. آزمایشات بر روی پایگاه داده معروف HongKong PolyU انجام شده است.
مقدمه
در مقابل یک پس زمینه سفید تحت نور یکنواخت را استفاده کردند. دوربین در فاصله 20 سانتیمتری از سطح تصویربرداری تنظیم و ثابت شده. نور غیر یکنواخت سایه ها و انعکاسهایی در مرز دست بوجود میآورد که بطور قابل توجهی کارایی را کاهش میدهد. بنابراین اکتساب تصویر بطور یکنواخت توسط یک منبع نور ثابت بالای دست نورانی شده است. وضوح تصویر بدست آمده 1600*1200 پیکسل است. در سال 2010 لی ژانگ، لین ژانگ، دیوید ژانگ و ژو تصویربرداری جدیدی برای بدست آورن مستقیم سطح بندانگشت دست به جای تصویربرداری کامل قسمت پشت دست ارائه کردند.[4] زهرا شریعتمدار و کریم فائز در کارشان بانکی از فیلترهای گابور را برای استخراج اطلاعات جهتگیری از تصاویر بندانگشت استفاده کردند.
5 مقیاس متفاوت و 8 جهت گیری مختلف انتخاب شده بودند که پارامترهای دائمی باقی مانده را نگه دارند بعد تجزیه تحلیل عناصر اساسی برای کاهش ابعاد اجرا شد. در حالیکه ترکیبی از آنالیز مولفه های اصلی و LDA تاثیر خوبی روی انتخاب ویژگی فراهم میکند LDA روی وزن های آنالیز مولفه های اصلی اجرا شد. فاصله اقلیدسی برای تطبیق استفاده شد. الگوریتم ارائه شده روی همه چهار انگشت تست و مشخص شد که انگشت میانی راست کارایی بهتری با نرخ تشخیص %75,25 فراهم میکند. تلفیق اطلاعات سطح ویژگی برای ترکیب-های انگشت متفاوت به کار برده شده و نرخ تشخیص %98,79 برای همه ی چهار انگشت بدست آمد .[5]
سیستمهای تایید هویت بند انگشت موجود سطح امنیت ثابتی را فراهم می-کنند و در تشخیص الگوها و تصاویر مخدوش شده با نویز با ضعف همراه هستند. در این مقاله، یک سیستم هوشمند تایید بند انگشت برای حل مشکل فوق ارائه میدهیم. برای حذف نویز تصاویر و انتخاب ترکیب بهینه پارامترهای استخراج ویژگی، از الگوریتم ژنتیک استفاده خواهیم کرد. در ادامه سیستم پیشنهادی را به طور کامل بررسی خواهیم کرد که با فیلتر میانگین بهینه شده با الگوریتم ژنتیک نویزهای روی تصاویر را حذف و با روش تبدیل موجک استخراج ویژگی انجام شده، پس از آن انتخاب ویژگی با الگوریتم ژنتیک شرح داده شده و در نهایت طبقهبندی با روش ماشین بردار پشتیبان را توضیح میدهیم. در بخش نتایج شبیهسازی به معرفی پایگاهداده مورد استفاده که شبیهسازی ها روی آنها تست شدهاند پرداخته و سپس نتایج شبیهسازی را نمایش میدهیم.
سیستم پیشنهادی
سیستم شناسایی پیشنهادی بند انگشت از بلوکهای مختلفی مانند بلوک حذف نویز، بلوک استخراج ویژگی و بلوک شناسایی تصاویر بند انگشت تشکیل شده است. بلوک حذف نویز شامل بخش پیشپردازش - جهت ارتقای کیفیت تصاویر - و حذف نویز می باشد. بلوک استخراج ویژگی شامل بخش استخراج ویژگی و انتخاب ویژگی می باشد، ورودیهای الگوریتم ژنتیک تمام ویژگیهای استخراج شده از زیر تصاویر میباشد و خروجی آن ویژگیهای مناسب و مفید. در بلوک شناسایی نیز از تعدادی تصاویر موجود در پایگاهداده جهت آموزش آنها استفاده وتعدادی تصویر را برای آزمایش و شناسایی آماده میکنیم در زیر با طریقه عملکرد هریک از بخشها آشنا میشویم در شکل 1 میتوانیم بلوک دیاگرام سیستم پیشنهادی بند انگشت را مشاهده نماییم.
-1-3 حذف نویز
پارازیت ها اکثرا متغییر های تصادفی و ناخواسته ای هستند که بر روی تصاویر - دیجیتالی و غیردیجیتالی - توسط دستگاه های الکترونیکی ، محیط و ... اعمال و باعث کاهش کیفیت تصاویر می شوند . در تصاویر گرفته شده با دوربین عکاسی و یا اسکنر بخاطر تاثیر فوتون های ساطع شده از سنسورهای ضبط کننده تصاویر و تاثیر این فوتون ها بر روی سنسورهای مجاور، نویزی ناخواسته بر روی تصاویر اعمال می شود. از اینرو ما جهت حذف نویز از یک فیلتر میانگین 7×7 بهینه شده با الگوریتم ژنتیک استفاده میکنیم. هر کروموزم یک فلیتر 7×7 است همه المان ها توسط الگوریتم ژنتیک بهینه میشود. با فلیتر، 49 المان بهینه می شود با توجه به فاصله پیکسل ها تا مرکز و قرینه بودنشان و وجود 10 سطح مختلف، هر راه حل ممکن، برای مسئله یک رشته به طول 10 است.
-2-3 بلوک استخراج ویژگی
در بلوک استخراج ویژگی، 507 ویژگی استخراج می شود. که ترکیبی از ویژگی های بدست آمده از حوزه مکان با روشهای هیستوگرام روشنایی، ویژگیهای آماری و ویژگیهای بدست آمده از حوره فرکانس با روش تبدیل موجک دو بعدی هستند. تعداد پیکسل در 256 سطح روشنایی به عنوان 256 ویژگی در نظر گرفته میشود. و 153 ویژگی آماری نیز استخراج می شود که از ویژگیهای سراسری:2 ویژگی میانگین روشنایی، انحراف معیار روشنایی و آنتروپی از کل تصویر استخراج میشود و از ویژگیهای محلی3 تعداد 150 ویژگی به این صورت که هر تصویر به 50 زیر تصویر 5×10 22×22 - پیکسل - تقسیم شده و از هر زیر تصویر به صورت جداگانه ویژگی میانگین و انحراف معیار و آنتروپی استخراج میشود . وتعداد 98 ویژگی از تبدیل موجک بدست می آید.
-3-3 انتخاب ویژگی با استفاده از الگوریتم ژنتیکُُّ
برای انتخاب ویژگی با استفاده از الگوریتم ژنتیک، کروموزومها با استفاده از رشتههای باینری به صورت صفر و یک نشان داده شده است، که 1 نشانگر وجود آن ویژگی و صفر نشان دهنده عدم وجود ویژگی است. میزان شایستگی این کروموزومها توسط تابع هدف ارزیابی میگردد. با استفاده از الگوریتم ژنتیک ابتدا والدینی انتخاب شده و با کمک عملگرهای ترکیب و جهش فرزندان جدیدی متولد میشوند و تابع هدف برای آنها اندازگیری میشود. سپس بهترین فرزندان بعنوان والدین نسل بعدی برگزیده میشوند. این روند تا جایی ادامه پیدا میکند که تعداد تکرار الگوریتم خاتمه پیدا کند. در زیر نمونه ای از کدگذاری باینری مورد استفاده برای انتخاب ویژگی با استفاده از الگوریتم ژنتیک را می بینیم.
.1-3-3 عملگر انتخاب4
در این مرحله بهترین کروموزومها - که کمترین مقدار تابع هدف را حاصل کردهاند - ، بعنوان والدین برای تولید نسل بعد انتخاب میشوند.
