معرفی مقاله Iris recognition based on sparse representation and k-nearest

عنوان

Iris recognition based on sparse representation and k-nearest subspace with genetic algorithm

  تشخیص عنبیه چشم براساس  دسته بندی k زیرفضای نزدیک با الگوریتم ژنتیک

چکیده

تشخیص عنبه یک ابزار مهم برای تشخیص انسانی است. یک مدل تشخیص عنبیه کارآمد و قوی مبتنی بر تشخیص نمایش ضعیف با استفاده از سنجش جامع و k- نزدیکرتین زیرفضا (بخش ها) پیشنهاد شده است؛ روش k-نزدیکترین زیرفضا برای فهرست بندی کوتاه کلاسها برای کاهش زمانی استفاده می شود. کاندیداهای فهرست کوتاه به بخشهایی تقسیم شده اند و تشخیص عنبیه برای هر بخش بکار می رود. سه طبقه بندی: طبقه بندی k فاصله نزدیک، طبقه بندی مبتنی بر بخش و شاخص تراکم پراکنده تجمعی (CSCI) مبتنی بر طبقه بندی هایی است که استفاده شده اند. یک تابع افزایشی براساس طرح ترکیبی طبقه بندی شده در هر طبقه بندی سازگار شده است که با یک وزن رتبط است. الگوریتم زنتیک برای یادگیری وزن هر کدام از طبقه بندی ها استفاده می شود. نتایجی که از پایگاه داده های مختلف بدست آمد نشان می دهد که طرح با FAR تقریبا صفر بسیار قوی است.

 

 تحقیقات و پیشرفت های به دست آمده در دهه های اخیر فصل جدیدی را در تائید و تشخیص هویت آغاز کرده است و در نتیجه آن روش های اتوماتیک بر پایه ویژگی های فردی انسان ها پایه گذاری شده اند. سامانه های بیومتریک جدید دارای قابلیت تشخیص هویت افراد با سرعت و دقت و اطمینان و راحتی و همچنین ارزانی بالا را در اختیار ما قرار داده اند. پژوهش انجام شده در این پایان نامه شامل طراحی و پیاده سازی یک سامانه شناسایی جدید بر مبنای تحلیل تصاویر عنبیه چشم می باشد. در این پایان نامه ابتدا الگوریتم جدیدی برای پیدا کردن مرزهای عنبیه و همچنین پلک ها ارائه می شود. سپس با استفاده از موجک دوبچیز 2 و نیز فیلترهای گابور در 8 جهت مختلف، برای هر تصویر ، یک کد تولید می شود. در مرحله بعد کد به دست آمده از هر تصویر با کدهای موجود در بانک اطلاعاتی مقایسه شده و با تعریف یک آستانه عمل تشخیص هویت انجام می شود. که شامل 756 تصویر از 108 نفر می باشد، CASIA نتایج به دست آمده بر روی تصاویر درصد موفقیت 99.76 % و نرخ خطای معادل 0،0022 را نتیجه داده است. تحلیل حساسیت سامانه در برابر تغییرات شدت نور . نویز و تباین نیز صورت گرفته است که نتایج به دست آمده نشان دهنده کارایی مناسب سامانه است.تحقیقات و پیشرفت های به دست آمده در دهه های اخیر فصل جدیدی را در تائید و تشخیص هویت آغاز کرده است و در نتیجه آن روش های اتوماتیک بر پایه ویژگی های فردی انسان ها پایه گذاری شده اند. سامانه های بیومتریک جدید دارای قابلیت تشخیص هویت افراد با سرعت و دقت و اطمینان و راحتی و همچنین ارزانی بالا را در اختیار ما قرار داده اند. پژوهش انجام شده در این پایان نامه شامل طراحی و پیاده سازی یک سامانه شناسایی جدید بر مبنای تحلیل تصاویر عنبیه چشم می باشد. در این پایان نامه ابتدا الگوریتم جدیدی برای پیدا کردن مرزهای عنبیه و همچنین پلک ها ارائه می شود. سپس با استفاده از موجک دوبچیز 2 و نیز فیلترهای گابور در 8 جهت مختلف، برای هر تصویر ، یک کد تولید می شود. در مرحله بعد کد به دست آمده از هر تصویر با کدهای موجود در بانک اطلاعاتی مقایسه شده و با تعریف یک آستانه عمل تشخیص هویت انجام می شود. که شامل 756 تصویر از 108 نفر می باشد، CASIA نتایج به دست آمده بر روی تصاویر درصد موفقیت 99.76 % و نرخ خطای معادل 0،0022 را نتیجه داده است. تحلیل حساسیت سامانه در برابر تغییرات شدت نور . نویز و تباین نیز صورت گرفته است که نتایج به دست آمده نشان دهنده کارایی مناسب سامانه است.

مطالعات مرتبط

اخیرا سیستم تشخیص عنبیه توسط داقمان در سال 1993 توسعه یافت، با ویزگی های گابور، نرمال سازی و سنجش به صورت جنبه های کلیدی آن. ویلدز از یک فیلتر گاووسی در مقیاس های مختلف برای تولید یک الگو با همبستگی نرمال شده بعنوان معیار مشابه استفاده می کند. بولز و بوشاش از روشهایی همانند تبدیل موجک و عبور از صفر استفاده می کنند. لیم و همکاران از تبدیل موجک همراه با روشهای یادگیری جدید استفاده کردند. نوح و همکاران از تحلیل عنصر مستقل برای تشخیص استفاده کردند. برای حذف صدا که منجر به عنصر مژه های چندگانه جدا از هم می شود که با استفاده از شرایط غیراطلاعاتی شناسایی می شود. این صدا منجر به انعکاسی می شود که با شناسایی نقاط انعکاسی قوی و نقاط انعکاسی ضعیف در محدوده نقاط ضعیف شناسایی می شود. بانکی از فیلترهای متقارن دایره ای و نزدیکترین خط ویژگی محدود برای بهوبد عملکرد تشخیص عنبیه مورد استفاده قرار گرفته است. روشهای تبدیلی هوگ توسط تیس و همکارانش مورد استفاده قرار می گیرند. سیستم منبع باز تشخیص عنبیه با استفاده از تبدیل هوگ برای تقسیم بندی توسط ماسک، فاصله همینگ را بعنوان معیار اندازه گیری بکار می گیرند. رایت و همکاران، یک نمایش پراکنده مبتنی بر الگوریتم تشخیص چهره معرفی کرند که بهتر از الگوریتم های دیگر برای دلایلی مختلفی است که داده های آموزشی کافی در دسترس است. این روش با برخی ویژگی های مازاد، مدل ها و روش ها توسط پیلای و همکاران به عنبیه توسعه پیدا کرد. همچنین، می و لیو از یک روش با k زیرفضای نزدیک با هدف تشخیص قوی برای چهره بعنوان بیومتریک استفاده کردند. برای افزایش عملکرد طبقه بندی، استفاده از یک معیار کیفی مبتنی بر موج توسط چن و همکاران پیشنهاد شد. کالکا و همکاارن یک بلوک ارزیابی با کیفیت تصویر عنبیه طراحی کردند که کیفیت را براساس محو کردن تمرکززدایی، محو کردن حرکت، خارج از زاویه، انسداد، انعکاس آینه ای، نور، و شمارش پیکسل اندازه می گیرند. آنها از نظریه دمپستر-شافر  استفاده می کنند برای اینکه عوامل ارزیابی شده را رد کنند. مطالعات نشان داده اند که ارزیابی کیفیت نواحی مختلف یا بخش های یک عنبیه می تواند عملکرد را با استفاده از رد کردن تصا.ویری با کیفیت ضعیف بهبود دهد. برای کاهش جعل اسناد، استفاده از بیومتریک چند مدلی با یکپارچه کردن ویژگی های بیومتریک های زیادی یکپارچه شده اند. بررسی بر روی مطالعه مقایسه ای از سیستم احراز هویت بیومتریک چند مدلی در [4] مورد توجه بوده است.

طرح پیشنهادی تشخیص عنبیه شامل ارتقای تصویر، تشکیل فرهنگ لغت از بردار های مشخصه، روش بهینه سازی پیگیری حذف نویز برای یافتن بردار پراکندگی، k زیرفضای نزدیک برای انتخاب k کلاس نزدیک، نمایش پراکندگی ماژولار، و شاخص تمرکز پراکندگی جمعی (CSCI) می باشد. الگوریتم زنتیک برای یافتن وزن های سه طبقه بندی (طبه بندی های مبتنی بر CSCI، k بخش نزدیک و مبتنی بر بخش) استفاده می شوند که برای ترکیب تصمیمات فردی طبقه بندی ها مورد استفاده قرار می گیرند. طرح کامل شامل دو مرحله یعنی فاز ثبت نام تصویری و فاز اعتبار تصویری می شود. نمودارهای سیاه این مراحل در شکل 1 و شکل 3 به ترتیب نشان داده می شوند.

طرح پیشنهادی ورودی از تشخیص عنبیه در نرم افزار MATLAB اجرا می شود. برای انجام آزمایشات، 240 تصویر عنبیه از 60 نفر (4 تصویر از هر شخص) از پایگاه داده CASIA و 500 تصویر عنبیه از 100 نفر (5 صویر برای هر شخص) از پایگاه داده IITD با اندازه 64×256 بارگذاری شدند. تجربیات متفاوت برای این دو پایگاه داده انجام می شوند. از پایگاه داده CASIA، سه تصویر انتخابی به صورت تصادفی تنظیم شدند برای اینکه فرهنگ لغت را شکل دهند در حالی که، تصویر باقیمانده برای کوئری استفاده شدند. هر تصویر پیش پردازش ده بود و یک بردار مشخصه با اندازه 256 با استفاده از یک پنجره ای با اندازه 4×64 ایجاد شد. اولین آزمایش برای تعیین تعداد بهینه مقادیر k انجام شد، دقت طبقه بندی کننده 1 اندازه گیری شد، که در شکل 4 نشان داده می شود. مقدار بهنیه k به اندازه 40 بدست آمد.