بخشی از مقاله
چکیده — اثرانگشت به عنوان یک نوع از بیومتریک انسان موجود برروی نوک انگشتان به طور گسترده برای تشخیص شخص در کاربردهای پزشکی قانونی و غیرنظامی و غیره مورد استفاده قرار میگیرد که این امر به خاطر منحصر به فرد بودن، تغییرناپذیری و هزینه پائین آن میباشد. طبقهبندی اثرانگشت، یک شماء شاخصگذاری مهم برای پائین آوردن میزان جستجوی پایگاه داده اثرانگشت برای شناسایی مقیاس بالای کارآمد میباشد. یک الگوریتم طبقهبندی اثرانگشت معمولاً یک مجموعه ویژگی نماینده را استخراج میکند تا فردیت هر اثرانگشت را دریافت نماید سپس این استراتژیها برای تعیین کلاس اثرانگشت به کار گرفته میشوند.
این مقاله به پیشنهاد یک رویکرد طبقهبندی اثر انگشت مبتنی بر یادگیری عصبی - فازی میپردازد که شامل 3 فاز اصلی میباشد. در فاز اول ابتدا نواحی اضافه از تصاویر ورودی و به منظور دستیابی به نواحی اثرانگشت حذف میشوند. سپس از تصاویر ورودی و تصاویر موجود در پایگاه داده ، یکسری از ویژگیها به وسیلهی گشتاورهای شبه زرنیک استخراج میگردد؛ و در انتها طبقهبندی اثرانگشت با استفاده از روش فازی-عصبی انجام میگیرد. جهت ارزیابی سیستم پیشنهادی در از مجموعهدادهی FVC2004 بهره گرفته شده است. با توجه به ارزیابی نرخ بازشناسی مشاهده میشود که سیستم پیشنهادی ارائهکننده نرخ بازشناسی بهتری نسبت به سیستمهای مورد مقایسه میباشد.
-1 مقدمه
اثرانگشت به عنوان یک نوع از بیومتریک انسان برروی نوک انگشتان به طور گسترده برای تشخیص شخص در کاربردهای پزشکی قانونی و غیرنظامی و غیره مورد استفاده قرار میگیرد که این امر به خاطر منحصر به فرد بودن، تغییرناپذیری و هزینه پائین آن میباشد. این امر یک مسئله چالشبرانگیز با توجه به ابهام کلاسهای ذاتی و دشواری در اثرانگشتهای با کیفیت پائین میباشد.
طبقهبندی اثرانگشت با هدف طبقهبندی اثرانگشتها به یکی ازکلاسهای از پیشمشخص شده به شیوهای دقیق و سازگار میباشد. این امر یک شماء شاخصگذاری مهم جهت سرعت بخشیدن به جستجوی پایگاهداده اثرانگشت در سیستم شناسایی در مقیاس بالا میباشد. طبقهبندی اثرانگشت برای چندین قرن مورد مطالعه قرار گرفته است اما هنوز هم یک مسئله چالشبرانگیز با توجه به ابهام ذاتی کلاس و دشواری به دلیل اثرانگشتهای با کیفیت پائین میباشد.
یک الگوریتم طبقه-بندیاثرانگشت معمولاً یک مجموعه ویژگی نماینده را استخراج میکند تا فردیت هر اثرانگشت را دریافت نماید، سپس این استراتژیها برای تعیین کلاس اثرانگشت به کار گرفته میشوند. از اینرو هنگامی که چندین نوع از مجموعههای ویژگی و متدهای یادگیری مورد استفاده قرار میگیرد، طبقهبندی اثر انگشت قابل اعتمادتر از زمانی است که تنها یک مجموعه ویژگی استفاده می-شود. هدف از تحقیق دربارهی طبقهبندی اثرانگشت میتوان به این امر اشاره نمود که طبقهبندی اثرانگشت برای چندین قرن مورد مطالعه قرار گرفته است اما هنوز هم یک مسئله چالش-برانگیز با توجه به ابهام ذاتی کلاس و دشواری به دلیل اثرانگشتهای با کیفیت پائین میباشد.
از طرفی شناسایی افراد با استفاده از اثرات انگشت نیازمند مقایسه اثرانگشت وی با تمامی اثرانگشتهای موجود در پایگاهداده میباشد. این پایگاهداده ممکن است، بسیار بزرگ باشد که این امر منجر به زمان پردازش طولانی و کاهش دقت میشود و از اینرو برای کاربردهای بلادرنگ نامناسب میباشد. یک استراتژی مشترک برای سرعت بخشیدن به جستجو، تقسیمبندی پایگاهداده اثرانگشت به یک تعداد گروه با ویژگیهای مشابه ساخت بردار ویژگی و در نهایت طراحی یک طبقه بند مناسب برای طبقهبندی تصاویر اثرانگشت میباشد .[1] ادامه مقاله به صورت زیر سازماندهی شده است، در بخش 2 رویکرد پیشنهادی ارائه میگردد. تحلیل و ارزیابی را در بخش 3 خواهیم داشت. در نهایت مقاله با نتیجهگیری در بخش 4 به پایان میرسد.
-2 رویکرد پیشنهادی
در این بخش مراحل سیستم پیشنهادی به صورت کامل تشریح میگردد و نتایج شبیه سازی و نتایج حاصل از آن ارائه میشود. سیستم پیشنهادی شامل سه فاز اصلی میباشد . در فاز اول که پیش پردازش است که هدف از اعمال این پردازشها، بهبود عملکرد و افزایش دقت سیستم میباشد، ابتدا نواحی اضافه از تصاویر ورودی و به منظور دستیابی به نواحی اثرانگشت حذف میشوند.
سپس از تصاویر ورودی و تصاویر موجود در پایگاه داده ، یکسری ویژگی به وسیلهی گشتاورهای شبه زرنیک استخراج میگردد؛ و در انتها طبقه بندی اثرانگشت با استفاده از روش فازی- عصبی انجام میگیرد. در شکل 1 فلوچارت کلی سیستم پیشنهادی نمایش داده شده است. در ادامه مراحل کار سیستم پیشنهادی بیان میگردد.
ابتدا تصاویر ورودی به سایز 200×200 تغییر اندازه داده میشوند. سپس نواحی اضافی تصاویر حذف می گردند. به این منظور ابتدا لبههای تصاویر توسط لبه یابکنی1 استخراج میشود. یکی از اهداف مهم انتخاب الگوریتم کنی نرخ خطای کم آن میباشد و این الگوریتم به خوبی نقاط موجود برروی لبه را شناسایی مینماید و این الگوریتم تاکید زیادی در کاهش نویز موجود در تصویر دارد.
تصاویر لبهیابی شده معکوس می گردند تا پیشزمینه به رنگ سفید و لبهها به رنگ مشکی تبدیل گردند. به منظور حذف نواحی اضافی، از هر سمت تصویر یک سطر و یا یک ستون پیکسل جدا شده، پس از آن میانگین مقادیر پیکسلهای آنها محاسبه میگردد، حال اگر مقدار میانگین محاسبهشده از حد آستانهی تعیین شده - در اینجا - 0,85 بیشتر باشد، آن سطر و یا ستون حذف می گردد. این عمل پنجاه مرتبه و به ازای پنجاه سطر و ستون از اطراف تصاویر ورودی انجام می گیرد. در شکل 2، نمونهای از خروجی مرحلهی حذف نواحی اضافی تصاویر ورودی نمایش داده شده است.
-1-2 گشتاورهای شبه زرنیک
انتخاب ویژگی مناسب، مهم ترین چالش در سیستم های تطبیق تصاویر اثرانگشت است. به طور شهودی ویژگی مناسب ویژگیای است که بتواند نسبت به بسیاری از تغییرات مانند چرخش و جابهجایی اشیا، نورپردازی های متفاوت، پوشیدگی جزئی شی - به معنی قرار گرفتن بخشی از تصویر یک شی پشت اشیای دیگر - که در تصاویر طبیعی بسیار رخ می دهد، حساسیت کمی داشته باشد و درعین حال تا حد ممکن ویژگیهای استخراج شدهی آن منحصر به فرد باشند.
دو دستهبندی کلی برای روشهای استخراج ویژگی وجود دارد: دستهی اول ویژگیهایی هستند که از تمام تصاویر و به طورکلی استخراج می شوند. این دسته از ویژگی ها به دلیل اینکه به کل تصاویر به عنوان یک ناحیه نگاه می کنند قدرت تشخیص پیش زمینه از شی ء را ندارند و در تصاویر با پیش زمینه ی پیچیده و یا تعداد اشیای زیاد، نتایج کارآمد و مناسبی نخواهند داشت .[2]
در مقابل، روشهای استخراج ویژگی مبتنی بر نواحی وجود دارند. در این روش ها ابتدا تصاویر به نواحی کوچک تری تقسیم می گردد و سپس هر یک از نواحی برای استخراج ویژگی انتخاب میشوند و ویژگیهای هر ناحیه به طور جداگانه استخراج و به صورت برداری در فضا جای می گیرند .[3] استفاده از ویژگیهای محلی نسبت به روشهای استخراج ویژگیهای کلی مزایای بسیاری دارد. استفاده از ویژگی های محلی در تشخیص شباهت میان تصاویر بسیار کارآمد است. این ویژگی ها نسبت به گردش، تغییر نورپردازی و پوشیدگیهای جزئی حساسیت بسیار کمی دارند.
رویکرد مقدار m با استفاده از آزمایش و به صورت تجربی 5 در نظر گرفته شده است و مقدار m شامل تمامی مقادیرکوچک تر و مساوی n میباشد. درنهایت تمام مقادیر بهدستآمده از فراخوانی تابع گشتاورهای شبه زرنیک برای تمام تکه های تصاویر با استفاده از پارامتر n و مقادیر مربوطهی m آن تشکیل یک بردار یکبعدی را میدهند.
پس از اعمال پردازش های مربوطه در مرحلهی پیش پردازش، به منظور استخراج ویژگی از تصاویر از گشتاورهای شبهزرنیک استفاده میگردد. به این منظور ابتدا تصاویر به تکه هایی منظم تقسیم میگردند . تصاویر بعد از مرحلهی اول به سایز 200×200 پیکسل تغییر سایز داده شده اند که در این مرحله هر تصویر به 16 تکهی هم اندازه 50×50 - پیکسل - تقسیم میشود. سپس از هر تکه، ویژگیهایی استخراج میگردد و در نهایت به منظور ساخت بردار ویژگیهای یک تصویر، ویژگیهای استخراج شده از تمامی تکه ها با یکدیگر ترکیب میگردند.
سایز ویژگیهای استخراج شده از هر تکه 1×20 میباشد که در مجموع سایز ویژگیهای هر تصویر 1×320 میباشد. ویژگیهای استخراج شده در این مرحله میتوانند به صورت مستقیم برای مرحلهی طبقه بندی داده ها استفاده شوند، اما میتوان با استفاده از روش های کاهش ابعاد نظیر آنالیز تفکیک خطی، ابعاد ویژگیها را کاهش داده و همچنین فاصلهی برونکلاسی آنها را حداکثر و فاصلهی درون کلاسی را حداقل نمود. که این عمل عملکرد سیستم را بهبود میبخشد.
-2-2 طبقهبندی دادهها
در این مرحله بردارهای ویژگی حاصل از مرحلهی قبل طبقهبندی میگردند. روشهای مطرح در طبقهبندی دادهها شبکههای عصبی و ماشین بردار پشتیبان میباشند. شبکههای عصبی و سیستمهای فازی میتوانند با یکدیگر ترکیب شوند تا مزایای آنها با یکدیگر ترکیب شده و بتوانند معایب یکدیگر را بهبود بخشند. شبکههای عصبی، مشخصه-های یادگیری خود را به سیستمهای فازی معرفی نموده و از آنها تفسیر و وضوح ارائه سیستمها را دریافت میدارد، این تکنیکها تکمیلکننده بوده که استفاده یکدیگر را تصدیق مینمایند. به همین منظور در این رویکرد از روش عصبی- فازی به منظور طبقهبندی دادهها استفاده شده است.
