.0
021-88310051
سبد خرید
جستجو

» مطالب آموزشی » اخبار بانکداری الکترونیک » روشهای تشخيص عنبيه با استفاده از تکنولوژی بيومتريک

روشهای تشخيص عنبيه با استفاده از تکنولوژی بيومتريک

تعداد بازدید 5949

تشخيص عنبيه  ، يکی از قابل اطمينان ترين و دقيق ترين تکنولوژی  هاي بيومتريک به شمار مي رود . [6][7][8] . اولين نظريه تشخيص عنبيه توسط Drs.safir and Flom در سال 1987  ارائه گرديد . الگوريتم اصلی تشخيص عنبيه توسط Dr.john Daugman توسعه يافت .[7] [2] عنبيه (حلقه رنگی است که مردمک را احاطه کرده است ) و دارای 266 مشخصه منحصر به فردمی باشد .[1][2] .در واقع عنبيه يك ناحيه حلقوي بين مردمك سياه و صلبيه سفيد است .[7] عنبيه در سه ماه اول بارداری شکل می گيرد و در 8 ماهگی به طور کامل ساخته می شود . [2][5] مراحل تشکيل عنبيه  فرايند chaotic morphogenesis ((ريخت شناسی بی نظم )) ناميده می شود . [2]

جدول 1 خلاصه ای از ويژگيهای مهم بيومتريک و مقايسه بين آنها را نشان می دهد .[2] همانطور که مشاهده می شود هزينه وسايل به كار رفته براي تشخيص ، در اثر انگشت پايين  ، در عنبيه بالا ،در صورت و دست متوسط مي باشد .زمان ثبت اطلاعات در اثر انگشت در حدود 30 دقيقه و 30 ثانيه و در عنبيه 2 دقيقه و 15 ثانيه و در صورت در حدود 3 دقيقه و در دست 1 دقيقه مي باشد .نرخ اشتباه صورت گرفته در ثبت به عبارتي FMR)) ، در اثر انگشت 8-0% ، عنبيه كمتر از 1% در صورت 5-0.3 % و در دست 2.1-0.3 % مي باشد .عوامل موثر كارايي ، در اثر انگشت فاكتورهايي مانند ساييده و فرسوده شدن انگشتان ، خشكي انگشتان و كثيف بودن در عنبيه ضعيف بودن بينايي ، درخشندگي زياد و انعكاس نور در صورت نور ، تعيين جهت صورت و عينك آفتابي در دست جراحت دست ، تورم و التهاب مفاصل از جمله فاكتور هاي مهمي هستند كه كارايي را تحت تاثير قرار مي دهند .از لحاظ تغيير پذيري در طول عمر انگشتان ، عنبيه و دست پايدار و ثابت مي باشند اما صورت تحت تاثير سن مي باشد . عنبيه در مقايسه با تکنولوژی های ديگر از قابليت اطمينان بالا بهره مند است و ميزان نرخ اشتباه در زمان ثبت نسبت به بقيه كمتر مي باشد .  برخلاف DNA و اثرانگشت تشخيص عنبيه به صورت منحصر به فرد و بسيار سريع Real Time)))) صورت می گيرد . [2] [10][11]

 


عنبيه چپ و راست هر فرد از يکديگر متفاوت است [8] [1] عنبيه الگوی پيچيده و منحصر به فردی است که شامل بسياری از ويژگيهای متمايز مانند : شيار ((furrows )) ، نواحی مرزی ، حفره غده ای ، حلقه ها ، هاله ((corona )) ، لکه های رنگی و مجموعه ای از خميدگی ها و شکستگی ها می باشد . [3][5]

در يک مفهوم خيلی واقعی عنبيه ها رنگی ندارند . آنها ساختار چند لايه پيچيده ای هستند که به صورت رنگ آميزی و پراکندگی در بين لايه های تعاملی ناشی می شوند . رنگ عنبيه معمولا رنگ چشم ناميده می شود . روش های تشخيص عنبيه عموما از رنگ استفاده نمی کنند و انها معمولا از ساختار عنبيه برای تشخيص استفاده می نمايند .  چيزی که به طور کلی  قابل توجه است  اين است که به کاربردن تشخيص مکانی عنبيه ها عموما با موفقيت همراه بوده است . [4] .تشخيص عنبيه نيازمند همكاري كاربر مي باشد . از طرفي تصاوير بايد از كيفيت بالايي بر خوردار باشند چرا كه تصاوير عنبيه با كيفيت پايين (مانند عنبيه به همراه مردمك بزرگ ) پذيرفته نمي شوند .[7] اسکن نمودن عنبيه توسط دوربينهاي مادون قرمز و يا دوربين های تصويربرداری صورت مي گيرد.

پس مي توان گفت عنبيه به طور استثنايي بيومتريك دقيقي است كه از موارد مناسب زير استنتاج مي شود :

- Data rich-physical structure (ساختار فيزيكي توانگري دارد)[8]

- از نظر ‍‍ژنتيكي عنبيه دو چشم يكسان نيست و مستقل از يكديگرند .[1][8]

- در طول زمان پايدار است و تغيير نمي كند .[8]

- پوشش قرنيه بر روي عنبيه لايه شفافي است كه به عنوان يك محافظ فيزيكي به شمار مي رود .[8][12]

 

2- سيستم شناسايی عنبيه  :[1]

سيستم شناسايی عنبيه به سه دسته تقسيم می شود :[1]

2-1Image acquisition (عکسبرداری از تصوير يا جمع آوری از تصوير )  

2-2 Iris Localization (موضع يابی يا مکان يابی عنبيه )

2-3  Pattern matching (تطبيق الگو )

شکل زير يک شماتيک کلی از سيستم شناسايی عنبيه را نشان می دهد .


2-1 جمع آوری تصوير : اولين سيستم ، تصاوير را به همراه قطر عنبيه بين 100 و 200 پيکسل در يک فاصله 15-46cm با استفاده از يک عدسی به قطر 330mm می گيرد . دومين سيستم ، تصاوير را به صورت تقريبی با قطر 256 پيکسل از يک فاصله 20cm و عدسی با قطر  80mm می گيرد .مکانيزه کردن عنبيه نيازمند همکاری اپراتور به منظور ايجاد عنبيه در زمينه دوربين به همراه يک کانون عدسی خوب می باشد .


2-2موضع يابی يا مکان يابی عنبيه : تصوير برداری  از عنبيه نمی تواند به تنهايی فقط شامل خود عنبيه باشد . تصوير برداری شامل نواحی احاطه کننده چشم است . بنابراين قبل از تطبيق الگوی عنبيه مهم ترين بخش متمرکز کردن تصوير در اطراف limbus (لبه مابين صلبيه و عنبيه خارج از مردمک ) است که بايد جدا شود . مثلا اگر پلک ها بخشی از عنبيه را مسدود کنند ، فقط بخشی از تصوير  که بدون پلک است را شامل می شود .[1]  بنابراين تصوير عنبيه نياز به پيش پردازش دارد اين پيش پردازش نياز به قطعه بندي (segmentation) و نرماليزه كردن عنبيه دارد كه بايد artifact ها از تصوير جدا شوند .شكل زير جريان پيش پردازش را نشان مي دهد :[9]

قطعه بندي اولين مرحله در پيش پردازش است كه نواحي واقعي عنبيه را از يك تصوير عنبيه گرفته شده جدا مي كند .عامل تشخيص لبه (edge detection) ، يك لبه نگاشت شده از تصوير را ايجاد مي كند .تبديل هاف (circular hough) براي تشخيص عنبيه و نواحي مرزي مردمك صورت مي گيرد ، كه توسطwilds مطرح شد .از طريق تبديل خطي هاف مي توان م‍‍ژه ها و پلك هارا از عنبيه جدا كرد.

نرماليزه فرآيندي است كه  ناحيه قطعه بندي عنبيه را به شكل ابعاد ثابت تبديل مي كند . هدف از نرماليزه از بين بردن معايب موجود در تصوير عنبيه مي باشد .  نواحي عنبيه با ابعاد يكسان براي فرآيند نرماليزه به كار برده مي شوند. بخشي از عنبيه نرماليزه شده يك آرايه دوبعدي ايجاد مي كند كه ابعاد افقي شامل وضوح تصوير زاويه اي و ابعاد عمودي وضوح تصويرشعاعي را نشان مي دهد .فيلترهاي gabor براي استخراج ويژگي هاي عنبيه در بينايي كامپيوتر خصوصا براي آناليز به كار مي روند .Daugman از امواج گابور براي استخراج اطلاعات در الگوي عنبيه استفاده كرد .[9][10]

 

2-3 تطبيق الگو : بعد از مکان يابی عنبيه مرحله نهايی تطبيق الگو از تصوير عنبيه به همراه تصاوير موجود در پايگاه داده می باشد .

 

3- يك  دسته بندی از عنبيه :

3-1 Image processing  (پردازش تصوير )

3-2 Double threshold algorithms  (الگوريتم آستانه مضاعف )

3-3 Backpropagation algorithms (الگوريتم گسترش  رو به عقب ) [3]

3-1پردازش تصوير : تصوير عنبيه از يک ساختار پيچيده و منحصر به فردی از مشخصاتی نظير لکه ، هاله ، دسته ، حفره غده ای ... ساخته شده است . با اين وجود عنبيه ها به طور وسيعی الگوهای مختلف دسته بندی شده را می توانند نمايش دهند .

اين الگوها می توانند به صورت عددی به عنوان يک مجموعه از ابعاد تصاوير فشرده ((fractal dimension)) نمايش داده شوند . محاسبه FD توسط پيش پردازش اوليه تصوير عنبيه به صورت محلی و عادی (نرماليزه) آغاز می شود . تصوير عنبيه يک آرايه دو بعدی به صورت (M*N) می باشد . سطح خاکستری يک نقطه (x,y) است که به صورت I(x,y) توصيف می شود .بعد از موضع يابی عنبيه  مرزنواحی داخلی و بيرونی را مشخص می کنيم . تصوير چشم امکان دارد توسط پلک پايينی و پلک بالايی و يا مژه ها پنهان شود . پردازش تصوير فقط از 3/4 نيمه پاييني عنبيه استفاده مي كند . اندازه عنبيه در تصاوير گرفته شده متغير است . تشخيص عنبيه به صورت يك جعبه مستطيلي ((rectangular block))  با استفاده از نگاشت زير نرماليزه مي شود .


مكان  و  ،تركيب خطي نقاط در مرز داخلي   و نقاط در مرز (محدوده) بيروني  است كه در امتداد شعاع يكسان به صورت زير مي باشد :



 

در آزمايشات صورت گرفته تصاوير در سايز 64*256 تبديل مي شوند . شكل 1 فر آيند پيش پردازش تصوير عنبيه را نشان مي دهد .

همه تصاوير عنبيه الگوي مشابه مردمك چشم دارند . در زمان دسته بندي عنبيه از بخش بالايي تصوير عنبيه استفاده نمي كنيم ، فقط از بخش مياني و پاييني تصوير عنبيه استفاده مي شود . عموما براي محاسبه FD از روش box-counting استفاده مي شود .8 ناحيه به صورت مياني در تصوير عنبيه (در شكل 2 نشان داده شده است ) ديده مي شود . كه اين را بخش بالايي مي ناميم . 8 ناحيه باقيمانده بخش پاييني تصوير عنبيه را ايجاد مي كنند، كه به بخش پاييني معروفند . از اين 16 ناحيه ، 16 بلوك تصوير 32*32 بدست مي آيد . روش ما براي محاسبه FD در بلوك هاي تصاوير box-counting مي باشد .

 


كه در حدود 16  ،FD به صورت FDi=(i=1,2,3,….,16)  تهيه مي شود  .

مقادير FD در دو گروه به صورت گروه پاييني و گروه بالايي به صورت زير تعريف مي شود .


 

دسته بندي تصاوير عنبيه با استفاده از الگوريتم آستانه مضاعف (Double threshold algorithms)   و الگوريتم  گسترش رو به عقب (Backpropagation) هم مي تواند انجام شود .

 

3-2 Double threshold algorithms  (الگوريتم آستانه مضاعف ) :

اين الگوريتم براي دسته بندي عنبيه از چهار طبقه بندي زير استفاده مي كند .

3-2-1 دسته اول : ساختار شبكه (net structure)

3-2-2 دسته دوم : ساختار ابريشمي(silky structure )

3-2-3 دسته سوم:ساختار كتاني يا زبر  (linen structure )

3-3-4 دسته چهارم (Hessian structure )

3-2-1 ساختار شبكه (net structure ) : تصوير عنبيه بي قاعده و به صورت بافتهايي مشاهده مي شود . بافت ها باز و ضخيم هستند و گپ هاي بزرگي در اين بافت ها وجود دارد . در اين حالت مقادير بالا و پاييني FD كمتر از آستانه اول مي باشند .


شكل (a) دسته بندي اول را نشان مي دهد .


3-2-2 ساختار ابريشمي((silky structure :تصوير عنبيه در كف آستانه (silky) ديده مي شود كه تعدادي از بافتها و سطح كوچكي از مكان عنبيه را نمايش مي دهد . حلقه عصبي خودكار معمولا در كمتر از يك سوم فاصله مردمك در مرز عنبيه مستقر شده است .مقادير بالا و پاييني FD بيشتر از آستانه دوم مي باشند .

 


شكل (b) دسته بندي دوم  را نشان مي دهد .


3-2-3 ساختار كتاني يا زبر  (linen structure ) : در اين حالت الگوي ما بين دسته اول و دسته دوم در تصوير عنبيه صورت مي گيرد .حلقه عصبي خودكار معمولا در يك سوم نيمه بين مردمك و نواحي عنبيه و سطح منطقه م‍‍ژگاني كه هموار است نمايش داده مي شود .حلقه عصبي خودكار عنبيه را به دو ناحيه تقسيم مي كند كه يك ناحيه داخلي مردمك و يك ناحيه بيروني مردمك ) كه مقادير گروه پاييني FD از آستانه اول بيشتر است و مقادير گروه بالايي FD كمتر از آستانه دوم مي باشد .

شكل (c) دسته بندي سوم  را نشان مي دهد .


3-2- 4 Hessian structure :اين روش شبيه دسته سوم است اما به همراه يك سري گپ در ناحيه مژگاني است .زماني كه گره بالايي و پاييني FD مقادير عنبيه با شكست مواجه مي شود قوانين دسته هاي 1، 2و 3 به صورت دسته بندي 4 ايجاد مي شوند . شكل 3 مقياس ممكن براي الگوها را نمايش مي دهد . دسته سوم و چهارم هر دو با هم يك مقياس مابين دسته اول و دوم مي باشند . دسته سوم شبيه دسته 2 و دسته 4 شبيه دسته 1 مي باشد .


شكل (d) دسته بندي چهارم  را نشان مي دهد .

جدول 1 مقادير FD در چهار طبقه بندي بالا را نشان مي دهد .


به طور كلي مي توان نتيجه گرفت  ورودي عنبيه در 5 مرحله دسته بندي مي شود :

-  مكان يابي و يا موضع يابي نواحي مرزي عنبيه و استخراج تصوير عنبيه از تصوير چشم .

-  نرماليزه كردن تصوير عنبيه در سايزبلوك هاي 64*256 .

-  جداسازي تصوير عنبيه به صورت 16 بلوك تصوير و اندازه گيري پيكسل هاي 32*32.

-  محاسبه FD با به كارگيري روش box-counting و بدست آوردن دو مقدار ميانگين براي FD با استفاده از فرمول :


-  مقايسه اين دو مقدار به همراه آستانه اول و آستانه دوم و دسته بندي تصوير عنبيه به شكل دسته بندي تعريف شده با استفاده از فرمول هاي زير :

    

3-3 Backpropagation algorithms (الگوريتم  گسترش رو به عقب ) :

اين الگوريتم يكي از معروفترين و وسيع ترين الگوريتم هاي يادگيري شبكه مي باشد . لايه ورودي شامل دو نود است كه دو مقدار ميانگين از FD (گروههاي بالايي و پاييني ) را شامل مي شود . لايه خروجي نيز شامل دو نود مي باشد . زماني كه y1=0  و y2=0 خروجي دسته يك را نشان مي دهد . زماني كه y1=0  و y2=1 خروجي دسته دو را نشان مي دهد . زماني كه y1=1  و y2=0 خروجي دسته سوم را نشان مي دهد. زماني كه y1=1  و y2=1 خروجي دسته چهارم را نشان مي دهد . همه گره ها در هر لايه به صورتfull-connect  (اتصال كامل )مي باشند . در اين حالت تعدادنمونه هاي آموزشي بايد با دقت انتخاب شود .

 

4- برخي از روشهاي به كار گرفته شده در  تشخيص عنبيه :[6][12][9][8]

4-1 استفاده از فيلتر گابور (Gabor filter)

4-2  Multi scale zero-crossing

4-3  تبديل موج دوتايي( Dyadic wavelet transform)

4-4 تبديل موج (wavelet transform)

4-5  تبديل هيلبرت Hilbert transform) )

4-6 فاصله همينگ( Distance Hamming)

4-7 استفاده از فيلتر هاي رنگي مصنوعي

4-8 گراديان به همراه گوس شعاعي( Gradient ascent together with radial Gaussian )

5- نتيجه گيري: مهمترين كار درتشخيص عنبيه پيش پردازش تصوير مي باشد . اين پيش پردازش نياز به قطعه بندي (segmentation) و نرماليزه كردن  تصوير عنبيه دارد كه بايد قسمت هايي  از تصوير كه شامل عنبيه نمي باشند با روش هاي مختلف جدا شوند ، تا عمل شناسايي از طريق عنبيه از كارايي بالايي بهره مند گردد.

6- منابع :

[1] Balaji Ganeshan,Dhananjay Theckedath,Rubert Young,Ghris Chatwin.Biometric iris recognition system using a fast and robust iris localization and alignment procedure.ELSEVIER.15 june  2005.

 

[2] Ahmad N.AL.Raisi,Ali M.AI-Khouri.Iris recognition and the challenge of homeland and border control security security in UAE. ELSEVIER.23 june 2006.

 

[3] Li Yu,Kuanquan Wang,Wen Yang.Coarse iris classification using box-counting to estimate fractal dimensions. ELSEVIER .17 march 2005.

 

[4] Jian FU,H.John Caulfied,Seong-Moo Yoo,Venkata Atluri.Use of Artiicial color filtering to improve iris recognition and searching . ELSEVIER.3 june 2005 .

 

[5] Kresimir Delac,Mislav Grgic.A survey of Biometric Recognition Methods.International sympousium Electronics in Marine.18 june 2004.

 

[6] Xiaofu He,Pengfei shi,Anew segmentation approach for iris recognition based on hand-held capture device. ELSEVIER.7  August 2006.

 

 [7] Yunhong Wang,Tieniu Tan,Anil K.Combining Face and iris Biometrics for identity verification.june 2003.

 

تاريخ تنظيم: شنبه 12 دی ماه 1394

دیدگاه ها

در اين بخش نظری ثبت نشده است.

دیدگاه خود را بنویسید

  • matica
  • wincor
  • hcc
  • nisca
  • hiti
  • compuprint
  • epson
  • olliveti
  • brother
  • samsung
  • tallygenicom
  • hp

این شرکت ، تنها نماینده انحصاری کارت پرینتر hiti (هایتی) میباشد و علائم تجاری دیگر شرکت ها،صرفا جهت نمایش موجودی شرکت از قطعات و موادمصرفی برندهای نشان داده شده میباشد.

ماشین های اداری دانش رایانه ایرانیان|قطعات پرینتر|کارت پرینتر|

logo-samandehi