بخشی از مقاله
چکیده
سیستمهای تشخیص هویت مبتنی بر عنبیه نقش کلیدی در سیستمهای بیومتریک دارند بطوریکه کانون توجه محققین در این سالهای اخیر بوده است. روشی که در این مقاله ارائه شده است در اولین مرحله عنبیه را از تصویر حاوی چشم، جدا میسازد. در گام بعدی مرحله نرمالیزه سازی را انجام میدهد. این عمل برای یکسان کردن ابعاد تصویر عنبیه انجام میگیرد. در مرحله بعد، ویژگیهایی از تصویر نرمالیزه شده استخراج میگردد. در این مقاله از توصیفگر SIFT1 استفاده شده است که در برابر دوران، تجانس و تغییر مقیاس از عملکرد خوبی برخوردار میباشد. طول بردار ویژگی توصیفگر SIFT، 128 میباشد. مرحله آخر آموزش دادن الگوریتم میباشد . از شبکه عصبی چند لایه پیشخور2 بدین منظور استفاده شده است. مهمترین ویژگی این شبکه عصبی، طبقه بندی کردن دادههای غیر خطی میباشد. از 70 درصد تصاویر به عنوان داده آموزشی و از 30 درصد به عنوان داده آزمایش استفاده شده است. نتایج بدست آمده حاکی این نکته است که شبکه عصبی چند لایه پیشخور از دقت بالایی نسبت به دیگر شبکههای عصبی از جمله LVQ3 برخوردار است.
واژگان کلیدی: عنبیه، شبکه عصبی، تشخیص هویت، SIFT
-1 مقدمه
یکی از مهمترین میاحث میان محققین که دغدغه بسیاری از کارشناسان و همچنین کاربران میباشد، مبحث امنیت و تشخیص هویت افراد میباشد. استفاده از ویژگیهای بیومتریک به عنوان یکی از برجسته ترین روشها در تشخیص هویت بهشمار می-رود. بیومتریک در واقع علم احراز هویت انسان با استفاده از ویژگیهای فیزیکی یا رفتاری نظیر چهره، اثر انگشت، خطوط دست، عنبیه و غیره میباشد . - Daugman, 2001 - در میان این ویژگیها استفاده از عنبیه مورد توجه زیادی قرار گرفته است که دلیل آن ماهیت تغییر ناپذیر بودن ساختار عنبیه در گذر زمان است. از تشخیص عنبیه میتوان در سیستمهای کنترل تردد، ثبت تردد در سیستمهای حضور و غیاب، امنیت اطلاعات و غیره استفاده نمود. همانگونه که در شکل 1 قابل مشاهده است، قسمت رنگی چشم را به عنوان عنبیه تعریف میشود که در پشت قرنیه و سرتاسر آن قرار گرفته است.
کار اصلی عنبیه، عبور دادن نور از چشم و رساندن آن به شبکیه چشم است. عنبیه به رنگ های مختلفی مانند آبی، سبز، قهوهای و غیره وجود دارد.معمولا در روشهای بازیابی مبتنی بر عنبیه از روشهای گوناگونی برای شناسایی و آموزش دادن استفاده میشود. Baqar و همکارانش بهمنظور افزایش دقت بازیابی روشی را پیشنهاد دادهاند که از ویژگیهای موجود میان مرز عنبیه-مردمک و مرز عنبیه -صلبیه بهعنوان ویژگیهای عنبیه استفاده کردهاند . - Baqar et al. 2011 - آنان از شبکه عصبی سه لایه برای آموزش دادن استفاده کردند که این شبکه عصبی از ساختار 720 نرون در لایه ورودی، 90 نرون در لایه پنهان و 10 نرون در لایه خروجی تشکیل شده است. در روشی که بوسیله نویسندگان مقاله - Khedkar and Ladhake, 2013 - پیشنهاد شده است، از تبدیل هادامارد دو بعدی برای استخراج کردن ویژگی استفاده شده است.
AL-Allaf و همکارانش از معماری شبکه عصبی مصنوعی استفاده کردند که تنها یک لایه ورودی، 5 لایه میانی با تعداد 15 نرون و یک لایه خروجی تشکیل شده است - AL-.Allaf et al, 2013 - نویسندگان مقاله - Rai and Yadav, 2014 - از ترکیب ماشین بردار پشتیبان و فاصله همینگ برای بهبود عملکرد کلاس بندی استفاده کردهاند. آنان از دو روش برای استخراج کردن ویژگی استفاده کردهاند که عبارت است از: تبدیل هار و تبدیل موجک گابور یک بعدی. در روشی که توسط Saminathan و همکارانش ارائه شده است، از ماشین بردار پشتیبان سه کلاسه برای بازیابی عنبیه استفاده شده است. آنان از سه کرنل مختلف ماشین بردار پشتیبان خطی، چندجملهای و درجه دو استفاده کردهاند . - Saminathan et al, 2015 -
روش پیشنهادی بازیابی عنبیه در بلوک دیاگرام شکل 2 آورده شده است. همانگونه که در این شکل قابل مشاهده است، روش بازیابی عنبیه از 4 مرحله تشکیل شده است که عبارتند از: شناسایی عنبیه، نرمالیزه سازی، استخراج ویژگی و مرحله طبقه بندی دادهها. با استفاده از عملگرهای مرفولوژیکی و لبهیاب سوبل، عنبیه از ساختار چشم شناسایی میگردد. در مرحله نرالیزه سازی، تصویر عنبیه به ابعاد یکسان و مشخص تبدیل میگردد تا در مراحل بعدی مورد استفاده قرار گیرد. در این مقاله برای استخراج کردن ویژگی از عنبیه نرمالیزه شده از توصیفگر SIFT استفاده شده است. اساس این توصیفگر استفاده از ماتریس هسین و فضای مقیاس میباشد که مبتنی بر آن، ویژگیهای قابل اعتمادی را بوجود میاورد که در برابر تغییر مقیاس، دوران، تجانس و غیره پایدار میباشد . طول بردار ویژگی این توصیفگر 128 میباشد.
در مرحله آخر و برای آموزش دادن الگوریتم از شبکه عصبی MLP استفاده شده است که بدلیل ماهیت چند لایه بودن، تمییز قابل قبولی را در بین دادههای غیر خطی به ارمغان میآورد.ساختار این مقاله بدین گونه میباشد که توضیحات مربوط به شناسایی عنبیه و نرمایزه کردن عنبیه در بخش 2 آورده شده است. در بخش 3 توصیفگر ویژگی SIFT شرح داده شده است. بخش 4 به توضیحات مربوط به شبکه عصبی MLP اختصاص داده شده است. نتایج شبیهسازی و مقایسه آن با روشهای دیگر بازیابی عنبیه در بخش 5 آورده شده است. در بخش 6 نیز توضیحات مربوط به نتیجه گیری آورده شده است.
-2 شناسایی عنبیه
با توجه به اینکه عنبیه در میان مردمک و صلبیه قرار گرفته شده است، نیاز به جداسازی مرزهای داخلی و خارجی عنبیه می-باشد. در ابتدا تصویر چشم به تصویر باینری تبدیل میشود . - Nasiripour et al, 2016 - در ادامه عملگرهای مورفولوژیکی بر روی تصویر اعمال میشود. عملگرهای فرسایش و گسترش مهمترین عملگرهای مورفولوژیکی میباشند. در این مقاله از عملگر فرسایش استفاده شده است که بر روی نقاط سفید تصویر باینری اعمال میشود.برای جداکردن مرز داخلی و خارجی عنبیه از لبهیاب کنی استفاده شده است. لبهیاب کنی بر اساس سه موضوع اساسی استوار است: نرخ خطای پائین، مکانیابی صحیح نقاط لبه و نقاط لبه منحصر بفرد. مراحل اجرای الگوریتم کنی در زیر آورده شده است:
.1 محاسبه نرم گرادیان برای هر پیکسل:
پیکسلهایی که در مرز قرار گرفتهاند، بیشترین مقدار نرم و سایر پیکسلهای تصویر، کمترین مقدار نرم را دارا میباشند. برای محاسبه نرم گرادیان پیکسل در دو جهت x و y از رابطه زیر استفاده میشود:
