بخشی از مقاله
چکیده:
کف دست، یکی از ویژگی های بیومتریکی است که در شناسایی افراد از دقت بالایی برخوردار می باشد. شناسایی بر اساس ویژگی های کف دست شامل سه مرحله اصلی، پیش پردازش، استخراج ویژگیها و تطبیق می باشد. اولین گام برای شناسایی یک فرد بر مبنای کف دست، استخراج یک ناحیه ی مطلوب از کف دست می باشد. در این مقاله یک روش جدید استخراج ویژگی ها براساس خطوط و بافت کف دست ارائه شده است.
به دلیل جهتدار بودن ساختار کف دست، از تبدیل موجک برای استخراج خطوط کف دست استفاده شده است. از تبدیل موجک مختلط دو درختی برای استخراج خصوصیات بافت کف دست استفاده شده است. همچنین جهت استخراج ویژگی طبقه دوم از مدل مخلوط گوسی استفاده می شود. در نهایت، نتایج شبیه سازی نشان دهنده مفید بودن ویژگی های استخراج شده می باشد.
-1معرفی:
شناسایی کف دست یک تکنولوژی بیومتریک می باشد که افراد را براساس کف دستشان شناسایی می کند. کف دست به عنوان یک تشخیص دهنده ی مطمئن شناخته شده است. الگوهای کف دست حتی در دوقلوها نیز منحصر به فرد می باشد. در مقایسه با دیگر مشخصه های بیومتریکی فیزیکی، شناسایی کف دست دارای چندین مزیت است: عدم نیاز به تصاویر با رزولوشن بالا، پایداری ویژگی خطوط و وسیله ی ارزان جهت گرفتن تصاویر. در مقایسه با اثر انگشت، کف دست محدوده ی بیشتری نسبت به اثر انگشت را پوشش می دهد که شامل اطلاعات بسیار زیادی جهت شناسایی می باشد.
همچنین در شناسایی براساس اثر انگشت نیاز به تصاویررزولوشن بالا می باشد. در مقایسه با عنبیه، وسیله ی گرفتن تصاویر کف دست ارزان تر است2]،.[3 در سالهای اخیر تحقیقات زیادی روی بیومتریک کف دست انجام شده است. Zhang در سال 2003 یک سیستم شناسایی کف دست ارائه کرد که ویژگی های بافت به وسیله ی فیلتر گابور دوبعدی استخراج می گردد.[7]
البته خصوصیات بر پایه گابور از دو عیب عمده رنج می برد: الف- یک تابع بر پایه ی گابور، متعامد نمی باشد که این موضوع نیازمندی به حافظه و افزونگی را افزایش می دهد. ب-زمان مورد نیاز برای استخراج ویژگی بسیار زیاد است و سرعت شناسایی را محدود می کند. Zhou,Gan در سال2006 از تبدیل موجک استفاده نمودند.[2] متاسفانه DWT حقیقی، عیوبی دارد که کاربرد آزاد در کاربردهای پردازش سیگنال و تصویر را به طور جدی به مخاطره می اندازد. این عیب ها، حساسیت شیفت و جهت یابی ضعیف آن است. DWT حقیقی در استخراج ویژگی، اطلاعات لبه ی عمودی، افقی و قطری را می دهد.
در سال Han,Cheng 2006 از عملگرهای سوبل و مورفولوژیکال به جهت استخراج ویژگی ها استفاده نمودند.[5] یک سیستم تشخیص کف دست شامل 4 قسمت می باشد: اخذ تصاویر کف دست، پیش پردازش، استخراج ویژگی، تطبیق. تصاویر کف دست به وسیله ی اسکنر جمع آوری می گردند. پیش پردازش جهت تعیین یک سیستم مختصات برای قرار دادن تصاویر کف دست در عمل تطبیق بسیار مهم است. برای تنظیم تصاویر مختلف کف دست، از فواصل بین انگشتان به عنوان پارامترهایی برای ایجاد محورهای مختصات استفاده می گردد. این کار برای انتخاب قسمت مرکزی کف دست جهت استخراج ویژگی به کار می رود.
به وسیله ی استخراج ویژگی، ویژگی های موثر از کف دست پیش پردازش شده استخراج می گردد. در روش پیشنهادی، جهت استخراج ویژگیها از خطوط و بافت کف دست استفاده شده است. خطوط کف دست بوسیله ی موجک استخراج می گردند. از تبدیل موجک مختلط دو درختی برای استخراج ویژگیهای بافت کف دست استفاده شده است. در پایان از معیار اقلیدسی جهت تطبیق استفاده می شود.
-2پیش پردازش:
به موجب تخمین ویژگیهای قابل اطمینان، بخش میانی کف دست استخراج می گردد. این ناحیه، مربعی شکل بوده و ROI نامیده می شود. از حفره بین انگشتان بعنوان نقاط مرجع، برای تعیین یک سیستم مختصات استفاده می گردد.
-3استخراج ویژگی
اطلاعات کف دست ساختار کف دست را شامل شده اند. خطوط کف دست بر سه نوع هستند که عبارتند از : خطوط اصلی، شاخه ها و خطوط شیاردار - خطوطی شبیه به اثر انگشت - . هرکدام از این خطوط دارای دقتهای مختلفی هستند. خطوط اصلی، ضخیم، ثابت و دقت پایین می باشند. آنها به طور عمده به عنوان ویژگی های کف دست استفاده می شوند. شاخه ها با ضخامت کمتر نیز دارای ثبات می باشند. آنها می توانند به عنوان ویژگی های اضافی کف دست مورد استفاده قرار گیرند. خطوط شیاردار برای بیان ویژگی های کف دست به علت اثرپذیری در برابر نویز و تغییرات روشنایی مناسب نیستند.
در روش ارائه شده به سبب جهتی بودن ساختار کف دست از موجک به جهت استخراج ویژگیها استفاده شده است. از تبدیل موجک، به منظور استخراج خطوط کف دست استفاده می گردد. تبدیل موجک، ویژگیهای خطوط کف دست را در سه جهت استخراج می کند. خطوط اصلی نمی توانند به تنهایی نرخ شناسایی بالایی را ایجاد کنند. شاخه ها یک نقش مهم در شناسایی کف دست ایفا می کنند. اما استخراج آنها مشکل است. این دو مورد، انگیزه ی بکارگیری آنالیز بافت جهت شناسایی افراد را افزایش می دهد. تبدیل موجک مختلط دو درختی امکان استخراج خصوصیات بافت کف دست در 6 جهت مختلف میسر می سازد.
شکل -1گامهای اصلی در پیش پردازش و استخراج ناحیه مطلوب - a - تصویراصلی - - b تصویر باینری - - c پیدا کردن مرز - - dپیدا کردن دو نقطه ی k1و - e - k2 سیستم مختصات - - fقسمت مرکزی کف دست پس ازیافتن زیر تصاویر به وسیله ی تبدیل موجک و تبدیل موجک مختلط دو درختی از مدل مخلوط گوسی جهت تولید بردارهای ویژگی استفاده می شود.
1- 3 تبدیل موجک مختلط دو درختی:
تبدیل موجک - DWT - انتخاب جهت ضعیفی دارد واز تغییر با شیفت رنج می برد. مشکلات بیان شده ی DWT با تبدیل موجک مختلط - - Complex Wavelet Transform توسط معرفی افزونگی محدود شده در تبدیل حل می شود. در تبدیل مختلط، فیلترها ضرایب مختلط دارند و نمونه های خروجی مختلط تولید می کنند. بهرحال یک مشکل اینجا به وجود می آید، زیرا هنگامی که ورودی هر سطح، مختلط می شود بازسازی کامل در تجزیه موجک مختلط بالاتر از یک سطح مشکل می شود. برای غلبه بر این مشکل،[4]Kingsbury تبدیل موجک مختلط دو درختی - Dual - Tree Complex Wavelet Transform را معرفی کرد که بازسازی کامل را همزمان با سایر مزایای موجک مختلط به وجود می آورد.
تبدیل دودرختی شامل دو درخت موجک موازی می باشد که با فیلرهای موجک عمودی رایج ساخته شده اند. یکی از آنها فیلتر بالا گذر با طول فرد می باشد که در هر دو نقطه ی وسط خود دارای تقارن فرد می باشند. دیگری فیلتر بالا گذر با طول زوج می باشد که در هر دو نقطه ی وسط خود دارای تقارن زوج می باشند. قسمت حقیقی و قسمت موهومی تبدیل مختلط پس از فیلترینگ زوج و فرد بصورت متناوب تولید می شوند.
درجه ی افزونگی تبدیل تبدیل 4:1 می باشد. در مقایسه با موجک رایج، موجک مختلط دو درختی دارای خواص انتخاب جهت خوب و نا متغیر با شیفت می باشد. تبدیل موجک گسسته دو درختی یک بعدی از یک جفت فیلتر بر روی اطلاعات ورودی استفاده می کند که شامل دو درخت تبدیل موجک گسسته یک بعدی موازی می باشد - درخت 1 و درخت . - 2 فرض کنید h1 - n - ، - h0 - n، g1 - n - ، g0 - n - به ترتیب فیلترهای بالا گذر و پایین گذر درخت 1 و2 می باشند - شکل 2 را ببینید - .
