هدف از انجام این پروژه طراحی و پیاده سازی یک سیستم است که تصویر دو عنبیه ورودی که برای احراز هویت به آن داده میشود را با هم مقایسه کرده و عددی را به عنوان میزان تشابه آن دو عنبیه برگرداند. سپس برای پذیرش احراز هویت، یک آستانه را برای میزان شباهت تعیین کند که اگر میزان شباهت از آن مقدار بیشتر بود، سیستم آن مقایسه را به عنوان تطبیق بپذیرد و در غیر اینصورت آن را رد کند. این حد آستانه باید به گونه ای باشد که خطا روی پایگاه داده آزمون، کمترین میزان باشد. منظور از خطا، جمع مقدار FAR1 و FRR2 می‌باشد.

  • برای دریافت داده‌های آموزش و آزمون لطفا به آزمایشگاه دکتر آنالویی مراجعه نمایید.

۱. مقدمه

هدف از احراز هویت با عنبیه تشخیص با اطمینان بالا در زمان واقعی از هویت شخص توسط آنالیز ریاضیات از الگوهای تصادفی که قابل روئیت درون عنبیه یک چشم از فاصله یکسان هستند. شناسایی انسانها در میان تکنولوژی بیومتریک بسیار رایج شده است ،تکنیک های بیومتریک متفاوت مثل تشخیص اثر انگشت،چهره،صدا،عنبیه و غیره که از ویژگی های فیزیکی یا رفتاری انسان برای تشخیص هویت استفاده میشود.
تشخیص عنبیه یکی از امن ترین و معتبرترین روشها در میان بیومتریک های دیگراست و در این زمینه الگوریتم های خیلی قابل اعتماد و معتبر و سریع برای اجرا کردن نیاز دارد.در سیستم های اولیه برای تایید کاربران از کارتهای با یوزر و پسورد استفاده می کردند مثل سیستم های خودپرداز بانکی اما این روش تشخیص هویت دو مشکل اساسی دارد یکی اینکه کاربران بر اساس چیزی که همراه خود دارند احراز هویت میشوند که ممکن است گم شود یا به سرقت رود و دیگر فراموش کردن پسورد است، بیومتریک ها راه حل آسان ،بادقت و صحت بالایی را برای این مشکلات فراهم کردند این راه حل شناسایی افراد رابه بدن انسان یعنی ویژگی های منحصر به فردآن مربوط میکند این روش ها بر مبنای چیزی که هستید عمل می کنند نه چیزی که می دانید یا همراه خود دارید.
عنبیه یک مجموعه پیچیده از ماهیچه ها هستند که در جلوی چشم انسان قرار گرفته بنابراین مشاهده و اندازه گیری آن آسان است و توسط قرنیه و پلک چشمان شدیدا محافظت شده است و احتمال آسیب دیدن آن در طول حیات انسان کم است،ساختار از بافت عنبیه در طول حیات انسان غیر قابل تغییر و پایدار توصیف شده است و درجه بالایی از توانگری ساختاری و تقریبا وابستگی ناچیزی به نوع ژن انسان دارد و این روشی برای تشخیص دوقلوهای همسان هستند.

۲. کارهای مرتبط

پردازش تصویر:
مراحل پردازش تصویر شامل دریافت تصویر ،جداسازی عنبیه،نرمال سازی، استخراج ویژگی ،تطبیق ، بهبود کیفیت تصویر است
تصاویر گرفته شده از عنبیه فقط شامل ناحیه عنبیه نبوده و در آن ها مردمک ،پلک ها،مژه ها و انعکاسات نیزدیده می شوند برای پردازش های بعدی ابتدا باید تصاویر اولیه عنبیه که در پایگاه UBIRIS وCASIA برگرفته شده قطعه بندی شوند برای تشخیص هویت با استفاده از تصاویر عنبیه تشخیص نویزها و قطعه بندی دقیق تصویر عنبیه از اهمیت ویژه ای برخوردار است .

توضیح تصویر

توضیح تصویر

  • قطعه بندی :

    در اولین مرحله پیش پردازش جداسازی مرزهای عنبیه از قسمتهای باقیمانده از تصویر چشم ورودی انجام می گیرد در این جداسازی مرز داخلی عنبیه با مردمک و مرز خارجی آن با صلبیه با استفاده از لبه یاب canny مشخصات این دوایر درونی وبیرونی تعیین می شود وبعد به وسیله تبدیل هاف نقاط روی مرزهای دایروی یا اشکال با معادله پارامتری مشخص تعیین می شودو مشخص کردن پلک ها و همچنین جداکردن مژه ها انجام می شود تکنیکهای گوناگونی توسط محققان در مرحله قطعه بندی استفاده شده مثل عملگر انتگرال دیفرانسیل ،تبدیل هاف،روش کانتور فعال و غیره که برخی از آنها رادر این بخش معرفی می کنیم .
    برخی از روشهای موجود این مرحله:
    داگمن ( Daugman) در روش خود از عملگر انتگرال دیفرانسیل برای تشخیص مرزهای عنبیه استفاده کرد و پلک های بالا و پایینرا توسط دو کمان جدا می کند .روش انتگرال- دیفرانسیل را می توان به صورت تغیرات تبدیل هاف در نظر گرفت زیرا از مشتق اول تصویر برای جستجو استفاده می کند این روش در صورتی که تصویر اولیه دارای نویز باشد مانند نویز ناشی از انعکاسات ممکن است جواب نادرستی بدهد چون به صورت محلی کار می کند به علاوه زمان زیادی برای پیدا کردن مرزها لازم دارد[1]

    توضیح تصویر

وایلدز (Wildes) عمل قطعه بندی را با استفاده از هیستوگرام و فیلتر کردن انجام داده و برای پیدا کردن لبه های پلک ها آن ها را با سهمی های افقی مدل سازی می کند .نویزهای ناشی از مردمک و مژه ها در این روش در نظر گرفته نشده اند.[1]
تیسه (Tisse) روشی را برای قطعه بندی تصویر چشم بر مبنای عملگرهای انتگرال دیفرانسیل و تبدیل هاف ارائه کرده و با این کار زمان محاسباتی روش داگمن را کاهش داده و احتمال قرار گرفتن مرکز خارج از تصویر چشم را از بیین برده است در این روش نویزهای ناشی از مردمک و مژه ها در این روش نویزهای ناشی از مردمک و مژه ها در نظر گرفته نشده اند.[1]
ما (Ma) از فیلتر کردن و پیدا کردن نقاط لبه و تبدیل هاف برای قطعه بندی استفاده کرده است در این روش نویز ناشی از مردمک و مژه ها در نظر گرفته نشده اند.
کنگ و ژانگ ( Kong and Zang) روشی برای شناسایی مژه ها ارائه کرده اند در این روش مژه ها قابل جدا سازی با استفاده از فیلتر های گابور یک بعدی و مژه های به هم چسبیده با استفاده از واریانس شدت نور شناسایی می شوند سپس ناحیه حلقوی عنبیه با تبدیل مختصات دایروی به کارتزین به یک نوار نگاشته شده و با استفاده از لبه یاب canny و تبدیل هاف مرزها بدست می آیند. [1][2]

توضیح تصویر

توضیح تصویر

توضیح تصویر

عددk1 به عنوان بایاس با مقدار 45- برساس آزمایش ها تعریف شده است و عملامت به عنوان عملگر کانولوشن نشان داده می شود
توضیح تصویر

مM شدت پنجره کوچک و2 ( 2N+1) پنجره کوچکو به اندازه 5
5و K2یک بایاس با مقدار 6 تعریف شده است.
توضیح تصویر

عددP یک مجموعه پیکسل متعلق به عنبیه وNP تعدادی از پیکسل های درp را نشان میدهد.
این ترتیب فرمولها به طور خلاصه در زیر بیان شده است[1]و[2]
توضیح تصویر

الگوریتم های لبه یابی تصویر
الگوریتم Canny ، الگوریتم Sobel، الگوریتم Zero Cross ، الگوریتم Log ، الگوریتم Prewitt ، الگوریتم Roberts
توضیح تصویر

الگوریتم لبه یاب Canny
1- تضعیف نویز:
تصاویر گرفته شده با دوربین غیر ممکن است که شامل مقداری نویز نباشد بنابراین برای جلوگیری از اینکه نویزها به اشتباه لبه در نظر گرفته نشوند باید نویز هارا تضعیف کنیم بنابراین ابتدا تصویربا فیلتر گاوسی مات کرده به صورت شکل زیر
توضیح تصویر

وهسته فیلتر گاوسی با انحراف استاندارد 1.4 درزیر با Kنشان داده شده است[3]
توضیح تصویر

تاثیر مات کردن تصویر مورد آزمایش با فیلتر گاوسی با Gx و Gyنشان داده شده است.
توضیح تصویر

2-پیدا کردن نقاطی که می توانند به عنوان لبه در نظر گرفته شوند:
در این مرحله از گرادیان تصویر استفاده می شود و نقاطی که گرادیان در آن ها بیشینه است به عنوان لبه لبه انتخاب میشوند.
توضیح تصویر

3- حذف نقاطی که احتمال نقطه ی لبه بودن آن کم است:
بسیاری از پیکسلهای خروجی از مرحله 2 احتمالا لبه درست در تصویر هستند اما تعدادی ممکن است پیکسل های نویزی باشند و ساده ترین راه برای از بین بردن این پیکسل های نویزی این است که دو حد آستانه Thو ) Tl ( Double Threshould در نظر بگیریم اگر یک گرادیان پیکسل بیشتر از حد آستانه بالا Th باشد آن گرادیانت پیکسل به عنوان یک لبه در نظر گرفته می شود.اگر یک گرادیانت پیکسل کمتر از حد آستانه پایین Tlباشد آن نقطه حذف می شود اگر یک گرادیانت پیکسل بین دو حد آستانه قرار گیرد تنها در صورتی پذیرفته می شود که به پیکسل بالاتر از حد آستانه متصل باشد.
توضیح تصویر

در الگوریتم Canny هر جا سطح شدت روشنایی کم باشد لبه یابی ضعیف و هرجا سطح روشنایی زیاد باشد لبه یابی بهتر و قوی تر است وزمانی که نیاز به لبه یابی قوی باشد با در نظر گرفتن شیب ها از Canny استفاده می کنیم.[20]
الگوریتم لبه یاب Sobel
الگوریتم سوبل از ترکیب یک تابع مشتق گیر و یک تابع نرم ساز گوسی بدست می آید و به دو صورت عمودی و افقی با ضریب پیکسل های قبلی منفیو ضریب پیکسل های مثبت و همچنین همسایگی های عمودی مقدار 2را روی تصویر اعمال میکند الگوریتم Sobel برای لبه یابی عمودی مناسب می باشد و جزء ضعیف ترین لبه یاب ها است وفقط لبه هاییکه تغییرات شدت نور در انها زیاد است را می تواند تشخیص دهد [10]
توضیح تصویر

الگوریتم لبه یاب Prewitt
شباهت زیادی به الگوریتم Sobel دارد با این تفاوت که ضرایب ماسک آنه با هم فرق می کند[9]
توضیح تصویر

الگوریتم لبه یاب Roberts
این الگوریتم به نویز حساسیت زیادی دارد و پیکسل های کمتری را برای تقریب گرادیان به کار می برد در ضمن نسبت به الگوریتم Canny قدرت کمتری دارد.[8]
توضیح تصویر

ماسک لاپلاسین
لاپلاسین یک تابع دو بعدی از مشتق دوم آن تابع بدست می آید و مستقل از جهت مرزها است به همین دلیل این عملگر یک مقدار اسکالر است نه یک بردار .این عملگر به صورت زیر تعریف می شود
توضیح تصویر

لاپلاسین به طور معمول برای کشف لبه تصاویر دیجیتالی استفاده می شود در این کاربرد تصویر کانوالیت می شود با لاپلاسین از یک تابع گوسی 2 بعدی به فرم زیر
توضیح تصویر

انحراف استاندارد:
توضیح تصویر

توضیح تصویر

توضیح تصویر

حساسیت عملگر لاپلاسین به نویز خیلی زیاد است زیرا با نقاط عبور از صفر ارتباط دارد این در حالی است که در بیشتر موارد سیگنال نویز دارای مقادیر کوچک و نزدیک صفر است به همین دلیل ابتدا یک فیلتر پایین گذر به تصویر اعمال می شود تا اثر نویز را کاهش دهد و سپس عملگر لاپلاسین اعمال می شود[.7]
روش های مشخص کردن مرز داخلی و خارجی عنبیه و پلک ها و جداکردن مژه ها
داگمن اولین روش محاسباتی تشخیص عنبیه را که شامل قطعه بندی است نشان داد. داگمن از یک عملگر دیفرانسیل انتگرال برای پیدا کردن مرزهای داخلی و خارجی عنبیه استفاده کرد ،عملگر دیفرانسیل-انتگرال مردمک و لیمبوسرا کانتورهای دایروی فرض می کند و به عنوان یک لبه یاب دایره ای عمل میکند در این روش پلک های بالا و پایین با استفاده از عملگر انتگرال دیفرانسیل جدا می شوند
عملگر دیفرانسیل انتگرال به صورت زیر تعریف می شود[5]
توضیح تصویر

که( I(x,y یک تصویر شامل یک چشم است ،عملگرانتگرال دیفرانسیل دامنه (x ,y ) را بیشتر برای ماکزیمم در مشتق بخش بلور شده جستجو میکند با ارزش برای شعاع r در حال افزایش از کانتور نرمال شده انتگرال از (I(x ,y در امتداد یک کمان دایره ای با شعاع r و مرکز (X,Y) ،نماد * کانولوشن و تابع نرم سازی همانند گوسی با مقیاس به صورت زیر تعریف شده است.

توضیح تصویر

عملگر انتگرال دیفرانسیل به عنوان یه لبه یاب دایره ای رفتار می کند و در آن ماکزیمم گرادیانت را روی یک فضای پارامتری3 بعدی پیدا می کند بنابراین هیج پارامتر آستانه وجود ندارد همانند لبه یاب Canny.
درجداسازی سیتم تشخیص عنبیه وایلدز از تبدیل هاف دایره ای استفاده می کند و تصاویر برای تخمین زدن 3 پارامتر از یک دایره (x,y,r) برای استفاده در معادلات تجزیه و تحلیل می شوند
توضیح تصویر

ازآنجایکه (Xi ,Yi) یک پیکسل لبه هستند و i ایندکس از پیکسل لبه می باشد
توضیح تصویر

محل (x,y,r) با مقدار ماکزیمم از H(x , y , r) به عنوان بردار پارامتر برای برجسته ترین مرزهای دایره ای انتخاب شده است ،در مدل سیستم وایلدز پلک ها همانند کمان سهمی وار هستند و پلک های بالا و پایین توسط تبدیل هاف دایروی پیدا میشوند یک نقطه ضعف از لبه یاب و روش تبدیل هاف استفاده از آستانه در لبه یاب است که با تنظیمات متفاوت از مقدار آستانه ممکن است نتایج متفاوت در لبه ها تاثیر در نتایج حاصل شده در روش تبدیل هاف داشته باشد. 5
تبدیل هاف دایروی:
تبدیل هاف ، الگوریتمی است که با استفاده از آن می توان اشکال مشخصی را در تصویر شناسایی و جدا کرد برای پیدا کردن یک شکل خاص با تبدیل هاف لازم است که آن شکل دارای فرم پارامتری مشخصی باشد به همین دلیل از تبدیل هاف معمولا برای پیدا کردن اشکالی مثل خط، دایره و سهمی استفاده می شود برای پیدا کردن دایره در تصویر ابتدا با استفاده از یک الگوریتم لبه یاب مثل CannyیاSobel نقاط لبه تصویر را پیدا میکنیم سپس با استفاده از تبدیل هاف دایروی شعاع و مرکزمختصات مردمک و نواحی عنبیه را پیدا می کنیم معادله دایره بفرم پارامتری (x - a)2+(y - b)2= r2 میباشد.با قرار دادن مقادیر مختلف به جای پارامترهای (a ,b, r)تعداد نقاط لبه را که روی دایره ای که با هر دسته از پارامترهااست بدست می آید میشماریم و پارامتر های دایره ای که بیشترین تعداد نقاط لبه روی آن قرار دارد را به عنوان دایره مورد نظر انتخاب می کنیم.برای دیتابیس CASIA هنگامی که رنج شعاع مردمک از 28 تا 75 پیکسل است رنج شعاع عنبیه از 90 تا 150 در نظر گرفته می شود.تبدیل هاف برای تاثیر بیشتر و پردازش دقیق ابتدا مرز صلبیه و عنبیه و سپس مرز مردمک و عنبیه مشخص میکند.[6]
روش کاموس و وایلدز شبیه روش داگمن می باشد الگوریتم شان فضایی را برای 3 پارامتر محیط مرکز(X ,Y)و شعاع( r) با به حداکثر رساندن تابع انجام می شود
توضیح تصویر

این روش روی تصاویری که شدت روشنایی نواحی عنبیه و مردمک و صلبیه بطور واضح جدا شده است و روی تصاویری که شامل هیچ انعکاساتی و یا فاکتور نویزی دیگر نباشد خیلی دقیق انجام می شود و وقتی با داده نویزی سرو کار داریم دقت الگوریتم به طور قابل توجهی بدتر می شود
روش مارتین راچ هم شبیه روش داگمن می باشد این روش یک تصویر با مقیاس خاکستری را دریافت میکند و بسط هیستوگرام را بکار می برد و سعی میکنو متوسط تفاوت هایدشدت روشنایی از پنج دور متوالی را به حداکثر رساند با تعریف زیر
توضیح تصویر

بترتیب افزایش های ازشعاع و امتداد و شدت روشنایی تصویر هستند
این روش 3 پارامتر محیط N3 (مرکز (x ,y) و شعاع(r ) را پیدا می کند از آنجائیکه تفاوت شدت روشنایی بین 5 محیط پی در پی ماکزیمم است.
توضیح تصویر

نرمال سازی:
عنبیه می تواند در سایز های متفاوت با تغییر کردن مردمک ضبط شده باشد بخاطر تجهیزات چراغانی سایز از مردمک ممکن تغییر کند این کد عنبیه نرمال سازی شده در استخراج ویژگی و مقایسه پدیده تاثیر خواهد گذاشت و نرمال سازی تبدیل دایره به بلوک مستطیلی است تا اینکه قطر ثابت برای افزایش عملکرد داشته باشد
در روش نرمال سازی داگمن عنبیه بعد از جداسازی مرزهای عنبیه به یک بلوک مستطیلی با یک سایز ثابت شده نرمالیز شده به طوریکه شعاع دایره در رابطه با عرض بلوک مستطیلی و تغییر مکان زاویه دار در رابطه با طول از بلوک بوده است مانند شکل زیر [11]
توضیح تصویر

به طور رسمی برگه لاستیکی یک مدل خطی هست که به هر پیکسل عنبیه صرفنظر از سایزش و اتساع مردمک اختصاص می دهد، یک جفت از مختصات واقعی (r, θ)جایی که r هست روی فاصله واحد [0, 1] و θ یک زاویه در رنج [0, 2π] است و نگاشت دوباره از تصویر عنبیه I(x, y) از مختصات کارتزین (x, y) به ابعاد سیستم مختصات قطبی متحدالمرکز (r, θ) که به صورت زیر می تواند نمایش داده شود

توضیح تصویر

از آنجاییکه x(r, θ) و y(r, θ) به عنوان ترکیب خطی از هر مجموعه از نقطه های مرزی مردمک (xp(θ), yp(θ)) و مجموعه از نقطه های مرزی لیمبوس در امتداد محیط خارجی از عنبیه (xs(θ), ys(θ)) مرز از صلبیه تعریف شده است

توضیح تصویر

ه I(x, y) ناحیه عنبیه تصویر است (x, y) مختصات کارتزین اصلی و (r,θ) مختصات قطبی نرمالیز شده و (xp, yp)و (xi,yi)مختصات از مردمک و مرز های عنبیه در امتداد مسیر θ هستند[11]-[12]
روش نرمال سازی دایره های مجازی
در این متد تصاویر عنبیه اول برای داشتن قطر ثابت مقیاس شده است تا اینکه وقتی دو تصویر را باهم مقایسه می کنیم یکی را بتوان در مقایسه با تصویر مرجع در نظر گرفت این روش نسبت به تکنیک های دیگر متفاوت کار میکند در یک زمان دو عنبیه با قطر ها و ویژگی های یکسان از ناحیه عنبیه با ذخیره مقدارهای شدت روشنای در امتداد دایره های متحد المرکز با مبدا در مرکز از مردمک استخراج شده است یک راه حل نرمال سازی انتخاب شده است بنابراین تعدادی از نقاط دیتا استخراج شده از هر دو عنبیه یکسان است
توضیح تصویر

این متد به طور اساسی با مدل داگمن یکسان است بهر حال مقیاس بندی در تطابق با زمان و است و مرتبط با با مقایسه عنبیه به جای مقیاس بندی به تعداد قطر های ثابت است[12]
استخراج ویژگی های عنبیه

در این مرحله ویژگی های استخراج شده بیشتر برای مقایسه و برای محاسبه دقت می توانند استفاده شوند و ویژگی های استخراج شده برای بوجود آوردن یک نمونه بیومتریک استفاده خواهد شد
فیلتر گوسی:
فیلتر لاپلاسین برای رمز گذاری ویژگی ها توسط فیلتر کردن ناحیه عنبیه استفاده می شود تصاویر فیلتر شده به صورت هرم لاپلاسین نمایش داده می شود این هرم باچهار سطح دقت مختلف برای تولید کد عنبیه و استخراج ویژگی استفاده می شود در این روش نتیجه دیتا فشرده شده بدست آوردن دیتا های مهم می باشد دیتا فشرده به عنوان کد عنبیه می توانن ذخیره شوند.

توضیح تصویر

تبدیل موجک:
تبدیل موجک ناحیه عنبیه را به اجزای با دقت های متفاوت تجزیه میکند موجک ها موج های کوچکی از تغییرات فرکانسی و حوزه زمان محدود شده هستند. تبیل موجک بهتر از تبدیل فوریه است به طور معمول موجک های استفاده شده موجک هار،موجک کلاه مکزیکی،موجک سیملت (Symmlet ( هستندیک بانک از فیلتر های موجک برای نرمال سازی ناحیه عنبیه بکار برده شده است هر فیلتربا هر موجک تعریف شده توسط تابع های مقیاس گذاری کار می کند و خروجی از فیلتر کد عنبیه را تولید می کند. [12]
فیلترهای گابور:
انواع گوناگونی از فیلتر های گابور وجود دارند فیلتر های گابور به یک تابع هارمونیک پاسخ می دهند هر الگو برای استخراج کردن اطلاعات فازی با استفاده از موجک گابور 2 بعدی پیاده سازی شده است . اطلاعات فازی در چهار ربع نقشه پیچیده نسبت داده شده است هر پیکسل در دو بیت اطلاعات در کد ذخیره شده است اطلاعات فازی استخراج شده به عنوان ویژگی است.
توضیح تصویر
12
توضیح تصویر

تکنیک مسیر گوشه:
نقطه های مسیر گوشه می توانند از تصاویر عنبیه نرمالیز شده با استفاده از ماتریس کواریانس از تغییرات در شدت روشنایی در هر نقطه پیدا شده باشند[12]
تبدیل کسینوس گسسته :
در این متد ویژگی ها توسط تفاوت از ضرایب تبدیل کسینوس گسسته از تکه های مستطیل استخراج شده است تصاویر نرمالیز شده درون تکه های 128 تقسیم شده است به طور متوسط عرض پنجره بیشتر با استفاده از پنجره آویزان برای کاهش تاثیر نویز استفاده شده است این تکنیک کد گذاری ساده با پیچیدگی پایین است [12]
*تبدیل هیبرت:

این روش برای استخراج اطلاعا مهم از بافت عنبیه استفاده شده است[12]

  1. تطابق:
    نمونه های بوجود آمده از مراحل قبل به یک متریک تطابق نیاز دارند این متریک تشابه بین مقایسه کلاس بین و کلاس داخل را اندازه گیری می کند.[12]
    فاصله اقلیدسی:
    این روش برای مقایسه دو نمونه برای شناسایی عنبیه استفاده شده است و این روش برای اندازه گیری از تشابه بین دو نمونه تعریف شده است و توسط تئوری فیثاغورس برای بدست آوردن فاصله بین دو نقطه محاسبه شده است[12]

    توضیح تصویر

    نزدیکترین خط ویژگی :
    یک روش رده بندی موثر در مرحله تطابق الگو است نزدیکترین خط ویژگی در میان هر دو مقدار ویژه از کلاس یکسان عبور می کند و بیشتر تغییرات بردار ویژه از مقدار ویژه را استخراج می کند فاصله از یک مقدار ویژه با بردار ویژه محاسبه می شود.[12]
    تطابق درخت K_D:
    این روش خیلی موثری است از این نظر که در روشهای جستجو استفاده شده است اشکال اصلی از درخت K_D فقط تعداد محدود شده از کدهای عنبیه در درخت می توانند بارگذاری شوند زیرا با افزایش در سایز درخت بهره وری جستجو کاهش می یابد.[12]

۳. آزمایش‌ها

برنامه های تشخیص عنبیه[29]
برنامه ای تحت عنوان GNU General public Licence (GLP) کاری از 5 دانشجوی کامپیوتر در کالج امپریال لندن تحت نظارت پرفسور Duncan Glilies با کد سورس رایگان و Cross-platform با استفاده ازC++ وچارچوب Qt و برنامه ای دیگر که کاری از bernald kobos و pitor zaborowski در دانشگاه فنی ورشو توسعه دادند برنامه جواوا مبتنی بر کار Libor masek در پایان نامه خود ارائه دادند . این برنامه می تواند محل عنبیه و مردمک به استثنای پلک و مژه و بازتاب را پیدا کند و از تبدیل هاف قبل از نرمال سازی و فیلتر ناحیه عنبیه با استفاده از فیلتر گابور یک جهته برای این منظور استفاده می کند و همچنین این برنامه از فاصله Minkowski استفاده می کند.[20]

توضیح تصویر

توضیح تصویر

الگوریتم های تشخیص عنبیه و مردمک
قبل از ارائه الگوریتم لازم است تفاوت بین سیستم مختصات کارتزین و سیستم مختصات گرافیک کامپیوتری را در نظر بگیریم. در سیستم کارتزین مختصات ها به سمت راست وبالا در امتداد محور X و Y به ترتیب افزایش می یابند ور مقایسه گرافیک های کامپیوتری از یک سیستم مختصاتی که مبدا در گوشه بالای سمت چپ و سمت مثبت محور y رو به پایین هست که در شکل زیر نشان داده شده است
با استفاده از این طرح فاصله ها , در پیکسل هایی که همیشه مقدارهای صحیح هستند اندازه گیری می شوند. یکی از ویژگی های دیگری که باید در نظر گرفته شود فرمت تصاویر است. تصاویر در پایگاه داده CASIA در فرمت 8 بیت BMP سیاه وسفید ذخیره شده اند . در این فرمن هر پیکسل با یک عدد مثبت در محدوده 0 تا 255 کد گذاری شده که با صفر سیاه خالص و 255 سفید خالص .[20]

توضیح تصویر

تشخیص مردمک
الگوریتم تشخیص مردمک یک روش پنج مرحله ای است که اساسا یک نقطه عمل به عنوان مرکز از دایره که مردمک را نمایش می دهد و شعاع مربوطه اش را محاسبه می کند و به تنظیم کردن آن در میان یک سری از حرکت های ازچپ -راست و بالا- پایین ادامه می دهد. الگوریتم ابتدا تقریبی برای مرکز و شعاع از مردمک ارائه میکند.الگوریتم عکس را به ظور عمودی اسکن میکند و دنباله بلند تر از حداقل 25 پیکسل پیوسته که مقداری زیر یک آستانه مشخص است را پیدا میکند .الگوریتم یک حلقه را تا وقتیکه یک دنباله معتبر پیدا شود تکرار می کندر که در هر تکرار از مقدار حد متفاوت( با شروع از 5 و افزایش 5 واحد در هر حلقه) استفاده می کند و سپس نقطه وسط از دنباله در دامنه از تصویر را شناسایی می کند.[20]

توضیح تصویر

چهار گام بعدی از روال هدفش بهبود محل از مردمک و تخمین شعاع است .الگوریتم 2و3 مقدارها را طوری که چهار نقطه واقع شده دور در سمت چپ و راست و بالا و پایین ( از نقطه نظر مرکز از دور ) و تمام مقادیر کوچکتر از حد پیدا شده در الگوریتم 1که بدان معنی است که دور محدود در مردمک هست را شناسایی می کند. در الگوریتم 2 حرکات جهتی در امتداد محور X (فقط حرکات چپ و راست و کاهش های در شعاع دور مجاز است) ادامه می یابد.[20]
توضیح تصویر

الگوریتم 4و 5 کاملا شبیه به الگوریتم های 2 و 3 است تفاوتش در جایگزین کردن عملیات کاهش با آنهایی که بزرگ شده است می باشد. هدف این الگوریتم ها قرار دادن نقاط شدید که مقداری بزرگتر از حد دارند در سمت چپ,راست,بالا,پایین دور است که نشان می دهد که دور فعال به عنوان مرز خارجی از مردمک است. بعد از اتمام اجرای الگوریتم 5 مرکز از دور مردمک به عنوان نقطه ای که به نمایندگی مختصات مردمک است نشان داده می شود در حالی که قطری از دور با PupilDiam محاسبه شده است.[20]
توضیح تصویر

تشخیص عنبیه
الگوریتم 6 تمام منطق نیازمند به تشخیص مرز بیرونی که دیتا ورودی را قطر و مرکز مردمک ارائه شده توسط مرحله قبلی و تصویر شامل می شود. هسته از الگوریتم در امتداد یک ردیف خاص ( مربوط به مقدار غ از مرکز مردمک یکی بلافاصله قبل و یکی بلا فاصله پس از آن) تلاش برای قراردادن نقطه در آن شرایط خاص اگر انجام شده را شامل می شود
در هنگام کار با 6 گروه متوالی از هر 8 پیکسل شرایط اگر انجام شده وقتی مقدارمتوسط از هر سه گروه پیکسل بیرونی پایینتر از مقدار متوسط از هر 3 گروه پیکسل داخلی است. الگوریتم فاصله از مردمک که در ان شرایط رخ می دهد و هنگامی که گروه هایی از پیکسل اول به چپ و سپس به راست حرکت می کنند را اندازه گیری می کند. مقدار از 8 پیکسل در هر گروه نتایج بهتری در آزمایشاتمان ارائه داده بود هنگامی که فاصله چپ و راست در 3 ردیف مذکور در نظر گرفته شده در الگوریتم 6 فاصله بزگتر با خصوصیات توصیف شده در نظر گرفته می شود اگر فاصله جپ با فاصله راس مساوی نیست به این معنی است که مرکز عنبیه با مرکز مردمک متحدالمرکز نیست.[20]
توضیح تصویر
توضیح تصویر

برنامه تشخیص عنبیه
در شکل زیر صفحه اصلی از برنامه تشخیص عنبیه ( برنامه جاوا توسعه یافته با استفاده از نرم افزار Java Development kit 1.6 (JDK)به روز شده 27 با پارامتر های پیش فرض هم برای کامپایل و هم برای اجرای برنامه ) را نمایش می دهد.
این نرم افزار به کاربر اجازه انتخاب یک تصویر سیاه و سفید BMP با استفاده از انتخاب دکمه فایل را می دهد .
هنگامی که فایل بارگذاری می شود برنامه به طور خودکار سعی می کند مردمک و مرز های عنبیه را تشخیص دهد و یک کد تصویر نر مال شده از عنبیه تولید کند.
این نرم افزار همچنین اجازه ذخیره الگو در یک پایگاه داده و مقایسه کد فعلی با آنهایی که در پایگاه داده دخیره شده اند را می دهد.
با توجه به خط هایی که همدیگر را قطع میکنند دورهایی در شکل هستند که برای علامت گذاشتن دو بخش جانبی که شامل اطلاعات عنبیه به کاربرده شده در طول محاسبات نمونه است استفاده می شود. [20]
توضیح تصویر

مقایسه تشخیص
پایگاه داده CASIA استفاده شده در این آزمایشات پایگاه داده عنبیه CASIA Version1.0 نامیده شده , شامل 756 تصویر گرفته شده به صورت خاکستری است که متعلق به 108 کاربر متفاوت است برای هر کاربر 7 تصویر گرفته شده به صورت خاکستری است که در دو شرایط زمانی مجزا گرفته شده اند که فاصله زمانی بین آنها یک ماه می باشد . این تصاویر منحصرا برای کار تشخیص هویت بر مبنای عنبیه توسط دوربین خاصی که برای این کار طراحی شده اند. این دوربین توسط آزمایشگاه بازشناسی الگو چین طراحی شده است.
در آزمون مردمک ما 5% خطا حاشیه را مجازیم در حالی که در آزمون عنبیه ما اجازه خطا حاشیه از 10% را داریم . در محدوده این آزمایشات خطا تعریف شده به عنوان فاصله در پیکسل بین دور ایده آل که حد بیرونی از مردمک را نمایش می دهد و دور کشیده شده با برنامه ها توسط قطر از مردمک (یا عنبیه) تقسیم شده است. آن فاصله با کمک از Greenshot اندازه گیری شده و در حداکثر چهار نقطه ( سمت چپ و راست در همه موارد بالا و پایین هر زمان که آن نقاط توسط پلک ها پوشیده شده بودند)[20]
توضیح تصویر

زمان اجرا
به منظور اندازه گیری عملکرد از راه حل ما یک آزمایش با ویژگی های مشترک برای 3 مورد ( تصویر اول مربوط به IRp-CSIC و دوم درخواست کالج امپریال و سوم یک برنامه توسعه داده شده در دانشگاه ورشو)
1- برای هر عنصر که تشخیص داده شده بود ( مردمک و عنبیه ) ما همان دسته ای از تصاویر CASIA متعلق به 10 کاربر متفاوت استفاده کردیم به طوری که در هر مورد یک مجموع از 70 تصویر پردازش شده بود
2- ساعت نمایش داده شده برای هر یک از عناصر زمان متوسط از 70 تصویر پردازش شده را نشان می دهد
3- برای هر یک از آزمون های فردی برنامه مربوط آغاز شده و بسته شده بنابراین هر زمان یک تست جدید انجام شود یک نمونه تازه از برنامه اجرا می شود.
در مورد IRP-CSIC آزمون شامل ویژگی های زیر است
1- تابع جاوا مورد استفاده برای بدست آوردن زمانSystem.nanotime() است.
2- در مورد مردمک زمان شروع تا دقیقا قبل از فراخوانی روش برنامه که الگوریتم را اجرا میکند گرفته شده است در حالی که زمان پایان بعد از بازیابی برنامه آخرین مقادیر کاندید ارائه شده توسط الگوریتم 5 گرفته شده است.
3- در مورد عنبیه زمان شروع و زمان توقف قبل و بعد از فراخوانی متد دقیقا گرفته شده است که به ترتیب الگوریتم 6 را پیاده سازی می کند.
با توجه به برنامه کالج امپریال اکثر ویژگی های مهم از آزمایشات به شرح زیر است
1- روش C++ استفاده شده برای بدست آوردن زمان Clock() است .
تفاوت بین پایان شروع مقادیر داده شده توسط آن تابع تقسیم شده و توسط مقدار Clocks-PER-SEC توسط سیستم ارائه شده به منظور بدستآوردن طمان سپری شده
2-در مردمک زمان سپری شده دقیقا قبل از فراخوانی متد FindPupil() گرفته شده است.
3- در مورد عنبیه زمان شروع قبل از فراخوانی متد FindCircle() گرفته شده است. [20]
توضیح تصویر

توضیح تصویر

لینک کدهای متلب 6 الگوریتم

۴. کارهای آینده

گروه تحقیقاتی مختلف یک سیستم تشخیص عنبیه مبتنی بر نرمالسازی عنبیه پیشنهاد کرده اند. گام نرمالسازی عنبیه در گروههای تحقیقاتی دارند محبوب می شوندو این مدل" ورق لاستیکی داگمن " بعد از محقق مشهور جوهن داگمن است .تعدادی از متدهای برای تشخیص عنبیه که تقریبا همه از آن متدها از نرمالسازی عنبیه استفاده می کنند وجود دارد قطعه بندی و نرمالسازی در شکل زیر نشان داده شده است.

توضیح تصویر

روش استفاده شده در این مقاله کاملا اجتناب از نرمالسازی عنبیه است. این کار نشان میدهد که Riglete اطلاعات بافت فراوان در یک عنبیه که در حال حاضر برای بهبود عملکرد سیستم است از نظر دقت و نرخ پذیرش غلط و نرخ پذیرش رد غلط و سرعت را فراهم میکند.
روش ارائه شده بهبود دقت و کاهش در FAR و FRR حتی با کاهش اندازه امضا می دهد. Rigletes که ترکیبی از تبدیل رادون و موجک برای استخراج اطلاعات مورد نیاز در شکل گیری امضاء عنبیه استفاده میکند . در اینجا روش پیشنهاد شده تنها سطح، تجزیه موجک دارد استفاده میکند. تجزیه سطح بالاتر افزونگی را معرفی میکند.تجزیه سطح تنها نتایج بهتری می دهد. نتایج بدست آمده مقایسه شده با روش های قبلی همه این روش های اولیه از نرمال سازی عنبیه و طول قابل توجه از امضاء عنبیه استفاده می کنند روش پیشنهاد شده با اجتناب از نرمالسازی عنبیه استفاده میکند. امضاء عنبیه پیشنهادی نسبتا خیلی کوچک است اما برای نشان دادن ویژگی های عنبیه به اندازه کافی کارآمد است.
سهم اصلی
ازهر سیستم بیومتریک تابع حداقل امضاء ویژگی ،FAR کاهش یافته، FRR کاهش یافته و دقت بالارا نتطار میرود . برای دستیابی به تمام این شرایط نویسندگان از تبدیل Ridgelete استفاده می کنند. روش پیشنهاد شده در مرحله اول ، کاهش اندازه امضاء عنبیه برای بهبود سرعت سیستم است. Rigletes بودن ترکیبی از تبدیل رادون و تبدیل موجک مقیاس های مرتبط از موقعیت های خط می باشد. این مقیاس های خط بافت فراوان از عنبیه را استخراج میکند و حداکثر اطلاعات منحصر به فرد با حداقل اندازه امضاء کاهش یافته را می دهد. در نتیجه بهبود سرعت سیستم بدون پرداخت هر گونه هزینه قابل توجهی از نظر دقت و صحت می باشد.
در مرحله دوم روش پیشنهادی پرش روند از نرمالسازی عنبیه ، که نسبت به کاهش قابل توجهی در زمان پردازش و کمک در نتیجه بهبود عملکرد سیستم است.ثالثا تبدیل Ridgelet پیشنهاد شده در روش پیشنهاد شده نرخ دقت افزایش یافته ، کاهش نرخ پذیرش نادرست و نرخ رد غلط را به طور قابل توجهی دارد . سرانجام ، نتایج بدست آمده این کار با چند روش موجود دیگر مقایسه میکند.
ماسک عنبیه پیشنهادی
موانع عمده برای بهره وری محاسباتی نرمالسازی و تعیین میزان هستند. انسداد پلک و مژه جزء نویز اصلی در یک سیستم تشخیص عنبیه هستند. آنها به منظور به حداقل رساندن FAR وFRR نیاز به توجه کردن دقیق دارند.
در واقع انسداد پلک و مژه باعث اختلالات عمده در چشم نیمه باز از سمت بالا و پایین از یک عنبیه میشود همانطور که در شکل 1,2,3 زیر نشان داده شده و انسداد پلک و مژه ها می تواند با استفاده از یک ماسک مناسب برای تقسیم بندی اجتناب شود.
توضیح تصویر

استفاده از یک ماسک مناسب از پردازش های غیر ضروری اجتناب میکند. قطعا اثر مخالف از فرآیند استفاده از ماسک وجود دارد . این است که ناحیه عنبیه بدست آمده برای پردازش کاهش می یابد. با این حال حتی اگر این منطقه برای تشکیل امضاء برای اطلاعات امضاء در نظر گرفته شده است آن را به سختی هر الگو عنبیه واقعی می دهد. ما تبدیل موجک گسسته (DWT) برای استخراج ویژگی استفاده میکنیم . معادله ماسک با استفاده از معادله 1 و 2 و 3 طراحی شده است.
توضیح تصویر

توضیح تصویر

در اینجا AIP منطقه از عنبیه و مردمک است.
AP.ناحیه از مردمک است
RImax. حداکثر شعاع عنبیه است
RPmax. حداکثر شعاع مردمک است.
Pcc.و Pcr مختصات مرکز مردمک هستند.
Ri. شعاع اولیه عنبیه است
Rp. شعاع اولیه از عنبیه است.
مقدارهای اولیه از شعاع ها محاسبه شده اند با توجه به تغییر در سطح شدت از مردمک و عنبیه در طول محور عمده و جزئی از مردمک به عنوان مردمک تصور شده به صورت بیضوی است . مرکزش با تقاطع محور عمده و جزئی محاسبه شده است. شکل 4 در ز یک ماسک کوچک و ضرایب آن را نشان میدهد.این ماسک برای یک اندازه عکس از 3030 برای نمایندگی کوچک شده است.
توضیح تصویر

RIDGELETS
تفاوت اساسی بین Ridgletes و موجک این است که موجک ها مربوط به مقیاس از موقعیت نقطه و Ridgletes مربوط به مقیاس از موقعیت های خط هستند بنابراین موجک ها نماینده تکین نقطه بسیار خوب هستند. بهرحال وقتی آن به خط تکین موجک شکست می آیدوRidgletesراه حل هستند .تبدیل Ridgletes از یک تصویر f(x,y) توسط معادلات 4و5 داده شده است
توضیح تصویر

که در آن DF تبدیل Ridgletes است ، a فاکتور مقیاس بندی است ، و b تغییر است و θچرخش است .این میتواند با استفاده از تبدیل موجک و رادون در ترکیب همانطور که در معادله 6 و 7 است محاسبه شده باشد
توضیح تصویر

توضیح تصویر

یک نمونه ای از تبدیل Ridgeletاز یک تصویر عنبیه در شکل زیر توسط یک سری از گام ها نشان داده شده است.
توضیح تصویر

تبدیل رادون
تبدیل رادون از یک تصویر قادر به تبدیل تصاویر دو بعدی با خطوط در یک دامنه از پارامترهای خطی ممکن است. که هر خط در یک تصویر یک اوج که در پارامتر های از خطوط مربوط قرار دادرد را خواهد داد. محبوبترین شکل از یک تبدیل رادون خطوط در قالب داده شده توسط معادله 8 را بیان میکند.
توضیح تصویر

که در آن θزاویه است و p کوچکترین فاصله تا منشا سیستم مختصات است. بنابراین تبدیل رادون برای یک مجموعه از پارامترهای (P, θ ) است. خط جدایی ناپذیر از طریق تصویر F(X,Y) وقتی خط مربوط به مقدار از (P, θ ) قرار داده شده است.
تبدیل موجک
محاسبه ضرایب موجک در مقیاس ممکن یک مقدار عادلانه از کار باشد و آن یک مقد ار عظیم از داده را تولید کند. که چرا فقط یک زیر مجموعه از مقیاس ها و موقعیت ها در محاسبات در نظر گرفته می شوند. به نطر میرسد و شایان ذکر است که اگر ما مقیاس ها را انتخاب کنیم و موقعیت ها بر اساس قدرت از دو مقیاس و موقعیت به اصطلاح زوجی و سپس تجزیه و تحلیل بسیار کارامد و دقیق تر خواهد بود و به اندازه 50% کاهش می یابد. چنین تجزیه وتحلیلی از تبدیل موجک گسسته (DWT) توسط معادله 9 نشان داده شده و یک راه کارآمد برای اجرای طرح با استفاده از فیلتر در 1988 توسعه داده شده است این الگوریتم در حقیقت یک طرح کلاسیک در جامعه پردازش سیگنال به عنوان یک دو کانال شناختعه شده است. این الگوریتم در شکل زیر نشان داده شده و تنها در سطح تجزیه موجک یک بعدی می تواند بدست آورد
توضیح تصویر

توضیح تصویر

Algorithm to compute a one level 1 D-wavelet transform
توضیح تصویر

روش پیشنهاد شده
اندازه بردار ویژگی استفاده شده توسط روش پیشنهادی بسیار کوچک است( 4
1) که این اندازه نسبت به اندازه امضاء که از نرمالسازی عنبیه استفاده میکند بسیار کوچک است. روش پیشنهاد شده این نرمالسازی را پرش میکند و آن از تبدیل Ridgete برای استخراج ویژگی استفاده میکند. تکین خط از عنبیه از یک عنبیه با استفاده از Ridgetes بدست آمده هستند
ایجاد پایگاه داده از ویژگی ها
با استفاده از ماسک که هر یک از تصویر چشم در پایگاه داده فیلتر شده است طراحی شده بودند پس از آن هر تصویر فیلتر شده به سه سطح با استفاده از موجک ها تجزیه شده است .نتایج بدست آمده با نرمالسازی و آنهایی که بدون نرمال سازی با ماسک های مختلف بدست آمده اند با همدیگر مقایسه شده اند. برای استخراج امضای از عنبیه ما انرژی سطح اول را با استفاده از معادله 12 و ویژگی انحراف استاندارد توسط معادله 13 از هر زیر گروه محاسبه میکنیم.بنابراین اندازه دیتابیس بردار ویژگی 24 756 است و اندازه بردار ویژگی از تصویر پرس و جو 241 است
توضیح تصویر

توضیح تصویر

توضیح تصویر

تطابق
یک امضاء پرس و جو یکی از 756 امضاء از CASIA نسخه 1 امضاهای پایگاه داده تصویر است. متد یک فاصله اقلیدسی داده شده توسط معادله 15 برای محاسبه شباهت یا مقدار تطابق برای جفت از امضاهای داده شده در دیتا بیس مربوطه است. فاصله صفر به معنی یک تطابق کامل و امضاء تمایل نسبت به عدم تطابق به عنوان افزایش فاصله دارد

توضیح تصویر

که در آن Xi عنصر i ام از امضاء عنبیه دیتا بیس Xام و Yi عنصر Yام عنبیه پرس وجو بردار امضاء است
اندزه گیری عملکرد
مقدار آستانه با اس
تفاده از فاصله متوسط بالا در CASIA 1,10 در CASIA3 است. مجموعه استانه برای محاسبه نرخ پدیرش غلط ( FAR ) و نرخ رد غلط (FRR ) استفاده شده است. در اینجا ( FAR ) (FRR ) برای اندازه گیری ارزیابی عملکرد استفاده میشوند. همچنین منحنی (ROC ) به عنوان یکی از اندازه گیری ارزیابی عملکرد استفاده میشود. FAR همچنین خطای نوع I شناخته شده است که توسط معادله زیر محاسبه شده است .
توضیح تصویر

که در آن
NIVA تعداد تلاش تایید Impostor است که سیستم امنیتی بیومتریک به طور غیر صحیح خواهد بپذیرد یک تلاش توسط یک کاربر غیر مجاز برای دسترسی به سیستم
FAR اندازه گیری از احتمال
FRR همچنین خطای نوع II شناخته شده است
توضیح تصویر

که در آن
NFR تعدادRejection های نادرست است
NEVAتعداد تلاش های تاییدEnrolee است
FRR اندازه گیری از احتمال که سیستم امنیتی بیو متریک خواهد به طور نادرست انکار کند یک تلاش دسترسی با یک کاربر غیر مجاز
معادله 18 می تواند متوسط دقت تشخیص را محاسبه کند

توضیح تصویر

ویژگی های گیرنده عامل ( ROC)
ROC یک توطئه از نرخ پذیرش اصل بر خلاف نرخ پذیرش نادرست برای همه نقاط سیستم عامل ممکن است (که آستانه تطابق است) و آن عملکرد سیستم را اندازه گیری کلی میکند . هر نقطه در منحنی نشان دهنده یک آستانه تصمیم خاص است . به حالت ایده آل هر دو نرخ خطا FAR وFRR باید صفر باشد . توزیع باید بی ربط باشد .ROC ایده آل در پنین موردی یک تابع گام صفر FAR.
از سوی دیگر اگر توزیع واقعی و imposter دقیقا یکسان هستند ، سپس ROC یک پاره خط با شیب 45 درجه با نقطه پایان صفر FAR است. در عمل این منحنی در بین این دو افراط رفتار می کند . نرخ خطای برابرERR تعریف شده است به عنوان نقطه ی عامل تعریف شده که دو نوع از خطا از FRR و َّFAR مساوی هستند
روش ارائه شده همچنین در مقایسه با فیلترهای گابور که با استفاده از امضاهای بزرگتر از 600%از Ridgetes است منحنی های ROC در شکل زیر نشان داده شده است
توضیح تصویر

توضیح تصویر

نتایج بدست آمده توسط روش پیشنهدی بسیار جالب و قابل اعتماد هستند آنها در جدول زیر فهرست شده اند

توضیح تصویر

جدول مقاسه الگوریتم های مختلف و روش ارا/ئه می دهد، بدیهی است از این جدول که نتایج بدست آمده توسط روش پیشنهادی نسبتا خیلی بهتر از روش های موجود است ، هر چند که ما داریم یک امضاء از یک اندازه بسیار کوچک که تنها41 است استفاده می کنیم که بالاترین دقت بدست آمده 929.82% است شکی نیست که دقت بدست آمده با استفاده از روش داگمن 99.90 % است اما به اندازه امضاء 20481 بردار کمی است.
گابور بر اساس روش 600% محاسباتی گرانتر از نظر اندازه امضاء است بنابراین روشن اس که نتایج نسبتا خارج از عملکرد متد های دیگر از نظر تمام عملکرد است مانند اندازه امضاء عنبیه نرخ پذیرش غلط و نرخ رد غلط و دقت.
توضیح تصویر

توضیح تصویر

توضیح تصویر

پیوندپیوند
پیوند
نتیجه
روش ارائه شده Ridgelets زمینه های سیستم تشخیص عنبیه را معرفی میکند . این سوء استفاده اموال از Ridgelets برای تشخیص نقاط تکن خط است. از جدول ذکر شده می توان نتیجه گرفت که روش ارائه شده بهبود تقریبا در تمام اقدامات عملکرد فراهم میکند . این رویکرد دارای 3 مزیت است در ابتدا پیچیدگی محاسباتی کاهش می یابد . در مرحله دوم دقت بهبود می یابد و در نهایت اندازه امضاء به 41 کاهش یافته است . دقت بالا بدست آمده توسط روش های سنتی در هزینه سرعت سیستم و اندازه امضاء است .اما کاهش امضاء عنبیه با استفاده از روش پیشنهادی تاثیر نمی گذارد در دقت متوسط . امضاء عنبیه نسبتا کوچک 41 که سرعت سیستم را از یک سیستم آنلاین به طور قابل توجهی بهبود میبخشد .
اگر جه روش داگمن بهترین دقت را می دهد اما طول امضاء عنبیه استفاده شده توسط الگوریتم نسبتا خیلی بالا با یک بردار کمی 2048*1 است . روش پیشنهادی یک دقت 99.82% را می دهد طول امضاء از یک طول نسبتا بسیار کوچک است . روش پیشنهادی همچنیتن ارزانی محاسبات رابدست می آورد و به عنوان روش مبتنی بر فیلتر گابور است .

۵. مراجع

[1] H. Mehrabian1, P. Hashemi-Tari2 Pupil Boundary Detection for Iris Recognition Using Graph Cuts
[2]International Journal of Modern Engineering Research (IJMER) www.ijmer.com Vol.3, Issue.4, Jul - Aug. 2013 pp-1885-1 889 ISSN: 2249-6645
[3] Wai-Kin Kong and David Zhang Detecting Eyelash and Reflection for Accurate Iris Segmentation
[4]Canny Edge Detection 09gr820 March 23, 2009
[5] International Journal of Modern Engineering Research (IJMER)www.ijmer.com Vol.3, Issue.4, Jul - Aug. 2013 pp-1885-1 889 ISSN: 2249-6645
John G. Daugman High Confidence Visual Recognition of Persons by a Test of Statistical Independence IEEE TRANSACTIONS ON PA’ITERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 15, NO. 11, NOVEMBER 1993
[6]Sunita Lokhande1 and Vishram . N. Bapat WAVELET PACKET BASED IRIS TEXTURE ANALYSIS FOR PERSON AUTHENTICATION Signal & Image Processing : An International Journal (SIPIJ) Vol.4, No.2, April 2013
[7]Pieter G. van Dokkum Cosmic-Ray Rejection by Laplacian Edge Detection WAVELET PACKET BASED IRIS TEXTURE
ANALYSIS FOR PERSON AUTHENTICATION
[8]Hugo Proenc¸ a and Lu´ıs A. Alexandre Iris Recognition: An Analysis of the Aliasing Problem in the Iris Normalization Stage
[9]Lei Yang,Dewei Zhao An Improved Prewitt Algorithm for Edge Detection Based on Noised Image 2011 4th International Congress on Image and Signal Processing
[10] O. R. Vincent, O. Folorunso A Descriptive Algorithm for Sobel Image Edge Detection Proceedings of Informing Science & IT Education Con ference (InSITE) 2009
[11] Sunil Chawla and 2Aashish Oberoi A Robust Algorithm for Iris Segmentation and Normalization using Hough Transform Global Journal of Business Management and Information Technology.Volume 1, Number 2 (2011), pp. 69-76
[12]Deepika Prashar1 A Close Approach to Iris Recognition System IOSR Journal of Computer Engineering (IOSR-JCE)
e-ISSN: 2278-0661,p-ISSN: 2278-8727, Volume 16, Issue 4, Ver. VI (Jul – Aug. 2014), PP 35-38
www.iosrjournals.org
[13]Carles Fernandez´ †, D´ıdac Perez´ †, Carlos Segura†, Javier Hernando‡A Novel Method for Low-constrained Iris Boundary Localization
[14]Noureddine Cherabit*, Fatma Zohra Chelali, Amar Djeradi Circular Hough Transform for IrislocalizationScienceandTechnology 2012, 2(5): 114-121 DOI: 10.5923/j.scit.20120205.02
[15]Masek, Libor. Recognition of human iris patterns for biometric identification. Diss. Master’s thesis, University of Western Australia, 2003.
[16]Jarkko Vartiainen"Iris Recognition Systems and methods" Lappeenranta University of Technology, Department of Information Technology P.O. Box 53851 Lappeenranta, Finland
[17]Adam Czajkaa and Andrzej Pacuta,b"Iris Recognition System Based on Zak-Gabor Wavelet Packets"a Biometric Laboratories, Research and Academic Computer Network NASK, Warsaw, Poland
[18]F.Alaoui K.Assid " Application of Blind Deblurring Algorithm for Iris Biometric"
International Journal of Computer Applications (0975 – 8887) Volume 79 – No3, October 2013
[19]John Daugman, PhD, OBE"How Iris RecognitionWorks"University of Cambridge, The Computer Laboratory, Cambridge CB2 3QG, U.K.www.CL.cam.ac.uk/users/jgd1000
[20]V. Gayoso Martínez, F. Hernández Álvarez, and L. Hernández Encinas "A Low-Complexity Procedure for Pupil and Iris Detection Suitable for Biometric Identification""
[21]Shirke Swati D et al ,Int.J.Computer Technology & Applications,Vol 4 (1), 1-7" IRIS RECOGNITION USING GABOR " ISSN:2229-6093
[22] Mansi Jhamb & Vinod Kumar Khera" IRIS Based Human Recognition System"
W.W.Boles, « a security system based on human iris identification using wavelet transform »,
First international conference on knowledge-based intelligent electronic systems, Adelaide,
Australia. Ed, 21-23 may 1997.
[23] Ali Abdul Mun'im Ibrahim" IRIS RECOGNITION USING GABOR FILTERS" Al – Taqani , Vol.21, No. ٦ , 2008
[24]T.S. Lee, “Image Representation Using 2D Gabor Wavelets”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol.18, pp.959- 971, Oct. 1996
[25]www.findbimetrics.com-Biometrics Iris Recognition Guides and Article R.G. Johnson, "Can iris patterns be used to identify people",chemical and laser sciences division LA-12331-PR, Los Alamos National Laboratory, Los Alamos Calif, 1991
[26]W.W. Boles ,and B. Boashah, "A Human Identification Technique Using Images of the Iris and Wavelet Transform", IEEE Trans. On Signal Processing,vol.46,pp. 1185- 1188,April 1998
[27]C. C. TSAI, J. S. TAUR AND C. W. TAO" Iris Recognition Using Gabor Filters and the Fractal Dimension"
[28]L. Ma, T. Tan, Y. Wang, and D. Zhang, “Local intensity variation analysis for iris recognition,” Pattern Recognition, Vol. 37, 2004, pp. 1287-1298

[29]Iris Recognition Using Ridgelet Lenina Birgale* and Manesh KokareJournal of Information Processing Systems, Vol.8, No.3, September 2012

۶. پیوندهای مفید


  1. False Accept Rate

  2. False Reject Rate

تایید شده

با عرض سلام
قسمت مقدمه و کارهای مرتبط خوب نوشته شده. متن دارای انسجام خوبی است.شکل ها و نمودار ها به خوبی در درک این پروژه کمک کرده است.
چند نکته رو عرض کنم :
در بعضی قسمت های متن ایراد های نگارشی وجودداشت.
پاورقی ها کم است.
بهتر بود کد ها توضیح داده می شد تا برای کسی که می خواست آنرا بخواند راحت تر می شد.
اما در کل خوب بود و نتایج آزمایش ها خوب ارائه شد.
با آرزوی موفقیت

.

تایید شده

با سلام،
اولین موردی که در مطالعه گزارش شما در فاز آخر مشاهده می شود عدم تناسب جملات و اشتباهات مکرر در جمله بندی ها میباشد که در خواننده حس بدی ایجاد میکند و این احتمال داده میشود که یا گزارش شما صرفا ترجمه ی تحت الفظی مقاله ایست و یا در تهیه و تنظیم گزارش خود توجه لازم را مبذول نداشته اید! در هر صورت بهتر بود یک بار گزارش خود را میخواندید و آن را به نحوی که برای خواننده قابل فهم باشد ویرایش مینمودید.
همچنین اغلب مطالبی که در گزارش خود (فاز آخر) ذکر کرده اید اضافی بوده و به نظر میرسد بیشتر جنبه ی افزایش حجم گزارش را داشته اند!
لازم است متذکر شوم هدف از انجام فاز آخر در واقع اعمال تغییراتی در پیاده سازی فاز قبلی بوده تا در نتایج بدست آمده بهبودی حاصل شود. متاسفانه گزارش شما خواسته یا ناخواسته ارتباطی با اهداف این فاز نداشته و از نظر بنده نتیجه ی فعالیت شخص شما نمی باشد.

تایید شده

با سلام
به نظر من بهتر بود در بخش مقدمه در مورد چالشهای احراز هویت با عنبیه هم صحبت می شد. همچنین در بخش کارهای مرتبط بیشتر مباحث به کارهای مربوط به پردازش روی تصاویر اختصاص داده شده است که بهتر بود به جای این موارد از کارهای قبلا انجام شده در این زمینه به چند مورد ارشاره می کردند.
در بخش آزمایشات روش پیاده سازی شده به خوبی بحث نشده است اما نتایج آزمایشات در حد خوبی گزارش شده است.

تایید شده

سلام و خسته نباشید
به طور کلی عملکرد شما در این پروژه خوب بود ، ولی عالی هم نبود. اگر مراحل انجام پروژه را یک روند در نظر بگیریم ، شما یک روند صعودی نسبتاً قابل قبولی داشتید و توانستید در مراحل انتهایی و بهبود ، مطالبی را عرضه نمایید.
نوشتارتون خیلی جای اصلاح داره و برای فهم بعضی از جملات ، باید چندین بار آنها را مطالعه کرد و کلمات اشتباه را حدس زد تا به منظور مورد نظرتان دست یافت.
مثلا از این پاراگراف ، چیزی دستگیرم نشد :
NIVA تعداد تلاش تایید Impostor است که سیستم امنیتی بیومتریک به طور غیر صحیح خواهد بپذیرد یک تلاش توسط یک کاربر غیر مجاز برای دسترسی به سیستم
FAR اندازه گیری از احتمال
FRR همچنین خطای نوع II شناخته شده است"
همچنین به جای واژه هایی مثل imposterمیتوانستید از معادل فارسی آنها استفاده نموده و در پاورقی ، لغات انگلیسی را قرار دهید.
بهتر بود بجای کپی کردن ترجمه مطالب ، برداشت خودتان را می نوشتید تا مشخص گردد از مقالات و مطالب خوانده شده چه استنباطی دارید.
و پس از نوشتن گزارشات میبایست یکبار مطلب خود را میخواندید تا متوجه غلط املایی های فراوان خود میشدید یا چپ چین و راست چین را تنظیم می کردید.
در قسمت بهبود از شما انتظار میرفت که نتایج بدست آمده از مرحله آزمایشها را بهبود دهید ، که گویا روش های دیگری را تنها پیشنهاد دادید.
بهتون خسته نباشید عرض میکنم و نمره 4 را مناسب عملکرد شما میدانم.

سید حسن طباطبایی

با سلام و خسته نباشید
کار شما در این مرحله را بررسی نمودم. مطالب بسیار زیادی را آورده اید و با عکسها و جداول زیادی نیز به کار برده اید، اما بسیاری از جملات شما نامفهوم بوده و معنای آن مشخص نیست. به طور مثال: "یک توطئه از نرخ پذیرش اصل بر خلاف نرخ پذیرش نادرست برای همه نقاط سیستم عامل ممکن است" یا "این سوء استفاده اموال از Ridgelets برای تشخیص نقاط تکن خط است". همچنین توضیح واضحی درباره نتایج و نمودارهایی که ارائه کرده اید ارائه نداده اید.
موفق باشید.