بخشی از مقاله
چکیده
امروزه با افزایش روزافزون نیاز به هویتیابی در عرصههای گوناگون کاربردی، طراحی سیستمهای خودکار برمبنای الگوریتمهای پردازش تصویر که توسط رایانهها و سختافزارهای منطقی برنامهپذیر اجرا گردند، امری بسیار ضروری گردیدهاست. استفاده از الگوریتمهای تغییرناپذیر با مقیاس و چرخش با شیوهی بکارگیری مخصوص حوزهی بازشناسی امضا که مبتنی بر استخراج معیار شباهت از طریق تعداد نقاط منطبق میباشد، کاری نو و جدید است.
اما تمرکز بر مراحل پسپردازش شامل طراحی فیلترهای ابتکاری مناسب، کارامد و موثر از لحاظ هزینهی محاسباتی که مختص الگوریتم استخراج ویژگی استفاده شده باشد، میتواند گام نهایی در بهبود چنین روشهایی شمردهشود. خروجی الگوریتمهای تغییرناپذیر با مقیاس، ویژگیهای بهینهای هستند که به صورت محلی عمل میکنند، بنابراین فیلتر مختصاتی بهترین گزینه در این زمینه میباشد. این فیلتر، نقاط تطبیقیافته از دو بلوک متناظر تصویر را که دارای تفاوت مختصات دکارتی بیشتر از آستانهای مشخص هستند، محدود میکند. نتایج سیستم طراحی شده برروی بانک اطلاعاتی معتبر - SVC2004 - ، اثبات کننده چنین ادعایی است.
-1 مقدمه
به جرأت میتوان عنوان کرد که مهمترین عنصر در تمام تراکنشهای اقتصادی، مسئلهی تشخیص هویت است. این امر با مشاهدهی شهودی روابط اقتصادی در جامعه به راحتی قابل اثبات و درک میباشد. پس از وقوف به این امر، سوال اساسی این است که چه روشی را باید برای تشخیص هویت دقیق همراه با سرعت بالا انتخاب نمود. طبعا استفاده از روشهای سنتی و به اصطلاح دستی، دیگر جوابگوی حجم عظیمی از اطلاعات اشخاص مختلف نخواهد بود.
با بررسی اجمالی تحقیقات انجام شده در زمینهی علوم زیستی، میتوان بیومتریک را عامل تمایز دهندهی ویژگیهای انسانها نام برد. این عوامل شامل ویژگیهای روانشناختی از قبیل حرکت، شیوهی راه رفتن، رایحه و امضا و همچنین ویژگیهای زیستی شامل اثرانگشت، عنبیهی چشم، شبکیهی چشم و صدا میباشند. تمام این خصیصههای روانشناختی و زیستی، بیومتریک نامیده میشوند. در این میان امضا با توجه به ویژگیهایش از قبیل فراگیر بودن، منحصربهفرد بودن، سادگی کاربرد و هزینهی نهایی بسیار کم در مقایسه با روشهای دیگر بیومتریک مانند اثرانگشت، بیشتر مورد توجه قرار گرفته است.
تحقیقات در زمینهی امضا به دو حوزهی بازشناسی و اعتبارسنجی تقسیم میگردد. در بازشناسی، تعلق یک امضا به یک فرد تعیین میگردد و در اعتبارسنجی سعی بر تفکیک امضای جعلی از اصلی میباشد. تمرکز تحقیقات در این زمینه بر افزایش نرخ بازشناسی و سرعت زمان اجرای برنامه است. با توجه به هدف تحقیقات باید الگوریتمی انتخاب گردد که دارای ویژگیهای منحصربهفرد مورد نیاز باشد. در این میان ویژگیهای محلی SIFT1 تغییرناپذیر با چرخش، شدت روشنایی و مقیاس هستند و علاوه بر این دارای قدرت تفکیک بالایی میباشند. به عبارت دیگر چنین الگوریتمی تعداد زیادی نقطهی ویژگی پایدار را آشکار میسازد.
این خاصیت در سیستمهای امضا که گاها تا دهها میلیون امضا را در بر دارند، حیاتی است. استفاده از چنین الگوریتمی در حوزهی اعتبارسنجی امضا دارای سابقهای هر چند کوتاه میباشد اما در حوزهی بازشناسی چنین تجربهای تقریبا وجود ندارد. در نتیجه اولین ایراد استفادهی نامناسب از خواص مناسب این الگوریتم است. همچنین توجه نکردن به پسپردازش در این حوزه از دیگر اشکالات موجود در کارهای قبلی انجام شده در این زمینه است.
در این مقاله ابتدا نمایش جدیدی از استفادهی ویژگیهای محلی SIFT را ارائه خواهیم نمود. این کاربرد بر اساس تعریف معیار شباهت تصاویر بر مبنای تعداد نقاط منطبق بین دو تصویر خواهد بود. همچنین طراحی فیلتری مختصاتی مختص خروجی مرحلهی استخراج ویژگی با SIFT - به عنوان مرحلهی پسپردازش - از دیگر نوآوریهای موجود در این مقاله میباشد. این فیلتر همانطور که مشاهده خواهید کرد در عین سادگی و کارا بودن، دارای هزینهی محاسباتی بسیار پایینی است که آن را برای چنین کاربردی مناسب میسازد.
روشهای مختلف و بسیار متنوعی برای نیل به هدف بازشناسی و اعتبارسنجی به وجود آمده است. استفاده از ترکیب ویژگیهای آماری که قبلا مورد استفاده قرار گرفته است با دو ویژگی مبتنی بر فاصلهی2 جدید، همراه طبقهبند نیو بیس3 و الگوریتم انتخاب ویژگی، منجر به سیستمی جدید گردیده است .[1] در مقالهای دیگر [2] از تبدیل کانتورلت CT4 جهت استخراج ویژگی و از فاصله اقلیدسی برای طبقهبندی امضاهای فارسی و انگلیسی به صورت مجزا استفاده شده است.
در کاری دیگر از CSFNN5 جهت استفاده از مزایای هر دو طبقهبند MLP6 و RBF7 استفاده شده است .[3] و در انتها ویژگی ضرایب ویولت کد شده8 که از تبدیل ویولت استفاده میکند به عنوان ویژگی در [4] استفاده شده است. مقالههای اندکی که در آن از SIFT استفاده شده است به دلیل نتایج ضعیف، عدم استفادهی مناسب از قابلیتهای این الگوریتم و همچنین قدیمی بودن، قابلیت ذکر کردن را ندارد. ساختار ادامهی مقاله به صورت زیر میباشد: در فصل دوم به معرفی سیستم پیشنهادی به صورت مشروح خواهیم پرداخت. نتایج اعمال روش پیشنهادی بر روی بانک دادهی معتبر جهانی در فصل چهارم خواهد آمد و در انتها نتیجهگیری از نتایج روش پیشنهادی خواهیم داشت.
-2 روش پیشنهادی
گرچه استفاده از ویژگیهای SIFT در حوزهی امضا دارای سابقهای هرچند کوتاه است، اما به علت ویژگیهای خاص چنین الگوریتم استخراج ویژگی، هنوز قابلیت استفادههای متعدد و مناسب دیگری را به شرط بهکار گیری مناسب دارد. روش پیشنهادی از چهار بخش پیشپردازش، استخراج ویژگی، طبقهبندی و پسپردازش تشکیل شده است. در زیر هر بخش را به طور مشروح توضیح خواهیم داد:
-1-2 پیشپردازش
به دلیل افزوده شدن نویز پس از اسکن امضاها به دلیل غیرخطی بودن ابزار پویشگر، بریدگیها و تغییر ضخامتهای ناشی از ابزار ترسیم، ابتدا باید پیشپردازشهایی جهت اصلاح ایرادات بر روی تصاویر اعمال گردد. تصویر اسکن شده که به صورت دیجیتال در دسترس میباشد - شکل 1 - الف - - به تصویر سطح خاکستری تبدیل میگردد. این عمل جهت تغییرناپذیر کردن سیستم به رنگ امضای رسم شده انجام میگردد که در شکل 1 - ج - مشخص شده است.
تصویر زیر آن جهت وضوح بیشتر بزرگنمایی شده است. شکل 1 - ب - . پس از آن تصویر امضا باینری میگردد. شکل 1 - د - . در انتها تصویر باید به ضخامت ثابتی تبدیل گردد. برای انجام این کار با بهره گرفتن از روشی ابتکاری، ابتدا با استفاده از عملگر مورفولوژیکی نازکسازی که بسیار رایج میباشد، خطوط تصویر را به یک پیکسل پهنا تبدیل میکنیم و در انتها با استفاده از عملگر انبساط ضخامت آن را به مقدار ثابتی میرسانیم. شکل 1 - ه - را ملاحظه کنید.
-2-2 استخراج ویژگی
جهت استخراج ویژگی باید الگوریتمی انتخاب گردد که بردار ویژگی آن تغییرناپذیر نسبت به چرخش، شدت روشنایی و مقیاس باشد. تمام این ویژگیها در الگوریتم SIFT موجود است. این الگوریتم از چهار گام به ترتیب زیر تشکیل شده است:[5]
-1-2-2 آشکار سازی اکسترمم فضا-مقیاس
گام اول جستجوی محاسباتی بر روی تمام مکانهای تصویر و مقیاسها میباشد. این گام به صورت موثر با استفاده از تابع تفاضل گوسی جهت تعیین نقاط پایداری که پتانسیل تغییرناپذیری نسبت به مقیاس و چرخش را دارند، انجام میشود .[5] شکل 2 و شکل 3 را ببینید.
-2-2-2 مکانیابی نقطهی کلیدی
در هر مکان کاندید، مدلی جزئی از بسط سری تیلور جهت تعیین مقیاس و مکان دقیق اجرا میگردد. سپس نقاط کلیدی9 بر اساس اندازهگیری پایداریشان انتخاب میگردند .[5]
-3-2-2 تخصیص جهت
یک جهت به هر مکان نقطهی کلیدی براساس جهتهای گرادیان محلی تصویر اختصاص مییابد. تمام عملگرهای بعدی نسبت به جهت، مقیاس و مکان محاسبه شده در این گام تبدیل شده و سپس برروی تصویر اعمال میگردند. در نتیجه به تغییرناپذیری از این تبدیلات دست مییابیم .[5]
-4-2-2 ساخت بردار ویژگی
گرادیان تصویر محلی در مقیاس انتخاب شده در ناحیهی اطراف هر نقطهی کلیدی انتخاب میشود. مقادیر گرادیانها به یک بردار تبدیل میگردد که پس از انجام اصلاحاتی، پایداری نسبت به تغییر در شدت روشنایی و اعوجاج را تضمین میکند .[5] شکل 4 را ببینید. به عبارت دیگر 32×32 گرادیان برای هر پیکسل اطراف هر نقطهی کلیدی به 16 هیستوگرام، هر یک شامل 8 قسمت تقسیم میشود و در نهایت با کنار هم قرار دادن 8×16 مقدار دامنهی قسمتهای هیستوگرام بردار ویژگی 128 بعدی ما حاصل میشود.
-3-2 طبقهبندی و استخراج معیار شباهت
در این مقاله جهت طبقهبندی از طبقهبند سادهی نزدیکترین همسایه استفاده میکنیم. بدین صورت که بردارهای ویژگی برای تمام تصاویر بانک داده اعم شکل -2 هرم فضا-مقیاس. تابع تفاضل گوسی که تخمین خوبی از از آزمون و آزمایش استخراج شده و ذخیره میگردد. یک تصویر آزمون انتخاب لاپلاسین میباشد، به لبهها و گوشههای تصویر حساس است .[5]
