مقاله کامل تشخيص خودكار عنبيه به كمك بعد فركتال و شبكه عصبي MLP – منابع انگلیسی کامل

تشخيص خودكار عنبيه به كمك بعد فركتال و شبكه عصبي MLP
علي اصغر فلاح كهنه قوچان
دانشجوي كارشناسي ارشد هوش مصنوعي
دانشگاه آزاد اسلامي واحد مشهد
alifallah@yahoo.com
چكيده
پيشرفتهاي اخير در زمينه نرم‌افزار و سخت‌افزار كامپيوتر، صنعت را قادر ساخته است تا سيستم‌هاي موثق زيست سنجي قابل استفاده‌اي را توسعه دهد. از آنجا كه عنبيه چشم انسان بسيار بافت پيچيده‌اي دارد، شيوه مختصري بر اساس بعد فركتال جهت آشنا شدن با عنبيه چشم انسان در اين تحقيق ارائه شده است.
ميزان ابعاد فركتال، انسدادهاي عنبيه با استفاده از پنج بعد شكست متفاوت با تخمين الگوريتم‌ها محاسبه شده‌اند و تفكيك شناختي براي تشخيص الگوهاي عنبيه‌اي از نظر اعتبار شخصي بكار گرفته شده‌اند. سيستم نمونه اصلي بنام سيستم شناخت خودكار عنبيه(AIRIS) توسعه داده شده و نتايج صوري آن ارائه شده است.
كلمات كليدي
تشخيص عنبيه، پردازش تصوير، فركتال، شبكه عصبي MLP
1. مقدمه
امروزه به علت اهميت روز افزون اطلاعات و تمايل افراد به امنيت بيشتر اطلاعات مخصوصا در Internet، ابزارهاي قديمي مانند استفاده از Password به تنهايي جوابگو و قابل اعتماد نمي‌باشد، خصوصاً با ايجاد تجارت الکترونيک و خريد و فروش اينترنتي مسئله امنيت نه تنها براي شرکتها و بانکها بلکه براي عموم افراد مهم شده است. بنابرين متخصصين به دنبال راه‌هايي مطمئن‌تر مي‌گردند يکي از موفق‌ترين راه هاي يافته شده استفاده از علم بيومتريك(Biometric) است.[1,2,3] كه با يكي از معرفترين آنها يعني اثر انگشت از دير باز آشنا هستيم. خطوطي که بر روي سرانگشتان همه انسانها نقش بسته از دير باز مورد توجه همه بوده است، اين خطوط نقشهاي مختلفي دارند، يکي از اين وظايف ايجاد اصطکاک بين سر انگشتان و اشياء متفاوت است مانند قلم که با استفاده از اين اصطکاک مي توانيم اشياء را برداريم ،بنويسيم، يا لمس کنيم. از سوي ديگر اين خطوط براي هر شخص منحصر به فرد است، از سالها پيش از اثر انگشت افراد در جرم شناسي استفاده مي شود، مانند تمام ديگر اعضاء بدن DNA هاي هر شخصي الگوي ساخت اين خطوط را دارا هستند و در واقع DNAهاي هرشخص نيز کاملا منحصر به فردند و اين قضيه تقريبا در مورد تمام ديگر اعضاء بدن صادق‌اند. با وجود hackerها و دزدي‌هاي اينترنتي Passwordها ابزار قابل اعتمادي نيستند. بيومتريک علم شناسايي افراد از طريق
مشخصات انساني اوست که شامل اثر انگشت،کف دست، صورت، امضاء، دست خط، صدا و اسکن شبكيه و عنبيه است. جدول(1). در علم بيومتريک اعضايي از بدن مورد توجه قرار گرفته که استفاده از آنها راحت‌تر و کم ضررتر باشد. هر کدام از روشهاي مورد استفاده داراي نقاط ضعف و قدرتي هستند که با ترکيب آنها با ديگر روشهاي امنيتي مي توان ضعفهاي موجود را از بين برد[4].
جدول(1):مقايسه چند روش بيومتريك(زيست‌سنجي‌انساني)
در اصل تمام روشهای شناسایی با سه مورد زیر ارتباط دارند:
آنچه که شما میدانید (یک کلمه عبور یا PIN)
آنچه که شما دارید (کارت خودپرداز ،کارت هوشمندو…)
آنچه که شما هستید (مشخصات فیزیکی یا رفتاری)
شيوه‌هاي معتبر شخصي بر اساس شيوه‌هاي هر فرد و يا آنچه شخص مي‌داند، مي‌باشد. گرچه اين شيوه‌ها معمولا مشكلات مربوط به خود را دارند، (به عنوان مثال، كليد، IDكارت و غيره) يا آنچه كه يك شخص مي‌داند.(پسورد، شماره PINكد و غيره). اگرچه اين روشها معمولاٌ مشكلاتي را به دنبال دارند. بعنوان مثال كليدها ممكن است، تغيير پيدا كند، ID كارتها ممكن است گم شوند، پسورد و شماره PIN كد ممكن است فراموش شود. دقت و اعتماد در محاسبات شخصي به خاطر عملكرد عمليات فيزيولوژيكي است. [1],[2]. پيشرفتهاي اخير در تكنولوژي سخت افزار و نرم افزار، دانشگاه را قادر به تحقيق نموده و صنعت را قادر به توسعه سيستمهاي موثق زيست سنجي خودكار نموده است. زيست شيمي كه انسان به اعتبار شخصي فرد بر پايه خصوصيات رفتاري و يا فيزيكي واحد هر مرد يا زن دارد كه بيشتر به صورت ارثي قابل اطمينان است و بيشتر قادر به تشخيص بين فرد مجاز از غير مجاز (فرد ظاهر ساز متقلب) مي‌باشد.
2- بررسيها
2.1- خصوصيات عنبيه چشم انسان :
يك عضو داخلي بدن انسان كه از خارج قابل رويت است
و داراي ويژگي هاي منحصر به فرد براي هر شخص است. به طوري كه هرگز دو نفر با عنبيه يكسان پيدا نمي‌شود و جزو اثر باقي مانده در طول حيات يك شخص است كه در سنين مختلف از بدو تولد تا پيري تغيير نمي‌كند و برخلاف اثر انگشت، خصايص عنبيه بسيار دقيق و پيچيده‌تر است و شامل الگوي بافتي يكسان است و آنقدر پيچيده است كه بعنوان يك مشخصه زيست سنجي قوي مورد استفاده قرار مي‌گيرد.[5]
خصوصيات عنبيه چشم نشان مي‌دهد كه احتمال پيدا كردن دو فرد با الگوي عنبيه يكسان صفر است و در مقايسه با ديگر مشخصه‌هاي زيست سنجي مانند دست و انگشت نگاري الگوهاي عنبيه‌اي ثابت‌تر و معتبرترند كه براي تمام افراد و سنين مختلف ثابت است.[5,6]. چندين بررسي نشان داده كه تغييرات معمولي از نظر رنگ و ساختار بافتهاي عنبيه‌اي بيشمارترند كه حتي دو عنبيه شبيه به هم وجود ندارد چه برسد به اينكه يكسان باشند. حتي براي يك شخص هم دو عنبيه متفاوت است.
2.2- آثار پيشين :
چشم پزشك فرانسوي الفونس برتيلون معتقد است كه بكارگيري الگوي عنبيه بعنوان پايه (مبنا) براي شناسايي شخص است . وي در سال 1981 بعد از خواندن مقاله‌ها ( گزارش هاي‌توصيفي ) زياد درباره تغيير ناپذيري طولاني عنبيه در سانفرانسيسكو اظهار كرد كه از عنبيه به عنوان پايه علم زيست سنجي انساني استفاده شود. در سال 1987 آنها به همكاري كردن بادانشمند كامپيوتر جان داگمن(Daugman) از دانشگاه كمبريج انگلستان كه نرم افزار تشخيص هويت از طريق عنبيه را ايجاد كرده پرداختند. پس از اينكه فلوم و سفير[6] نيز اين حقيقت را مشاهده نمودند كه هر عنبيه بافت يكسان و مجزائي دارد بطوري كه حتي تا اواخر عمر مي‌تواند ثابت بماند لذا مفهوم شناخت خودكار عنبيه در سال 1988 پيشنهاد نمودن كه نهايتاٌ موفق به تحقق آن نشدند. كار اوليه براي درك واقعي تشخيص اتوماتيك عنبيه توسط جانسون[7] در سال 1991 انجام شد. سپس سيستم موفقيت آميزي با استفاده از Wavelet توسط داگمن[8,9] توسعه داده شد. به طوري كه او اولين كسي بود كه نتيجه اميد بخش را در سال 1992در زمينه تشخيص اتوماتيك عنبيه منتشر كرد .بعدها كارهاي كوچكتر (ابعاد كوچكتر ) نسبت به كار آقاي داگمن تحقيق يافت. اصول اوليه شيوه داگمن اين است كه تصاوير را به صورت تصاوير ثابت با فيلترهاي گوناگون و با اندازه‌هاي متفاوت و مركزهاي متفاوت را دريافت و تبديل مي‌كند و تصاویر را بر اساس بانک دو بعدی Gabor Wavelets بدست مي‌آورد و علامت هایی براساس نتایج واقعی و فرضی و کدگذاری در بردارهای باینری 2048 بیتی مي‌دهد و همچنين تطبیق کردن با استفاده از Hamming Distance انجام می شود. Hamming Distance مينيمم شماره‌اي از بيتهاي است كه مي‌بايست به طور صحيح براي تبديل بيتهاي رشته‌اي داخل بقيه تغيير يابد. در اين سيستم الگوي عنبيه شخص در يك تصوير ويدئويي واقعي وجود دارد كه به تواليهاي فشرده‌اي از Gabor Wavelet مي‌باشد كه اكثر بيتهاي مهم شامل 256 بايت كد عنبيه است. داگمن مدعي است كه سيستم او اجراي عاليي بر روي پايگاه داده‌هاي مختلف از تصاوير عنبيه دارا است.
در سال 1996 ويلدز (Wildes) يك سيستم اوليه بر اساس تشخيص عنبيه اتوماتيك ارائه داد كه در تكنيكهاي ثبت تصاوير محاسباتي بسيار استفاده مي‌شود.[10,11]. اين سيستم يك تجزيه پالايندگي ايزوتروپي استفاده مي‌كند. به عبارت ديگر ایجاد یک هرم لاپلاسين از تصاویر فیلتر شده ضعیف در مقیاسهای متفاوت براي تجزيه داده‌هاي تصوير استفاده مي‌كند.همچنين منحرف کردن عنبیه به تصویر تطبیقی برای مقایسه و استفاده از روابط نرمال شده برای پیدا کردن پیکسلهایی شبیه به عنبیه از ديگر خصوصيات كار ويلدز مي‌باشد.
درسال 1998بولز(Boles) و بوشاش(Boashash) [12,13] در يك سيستم تشخيص عنبيه پيشنهاد كردند كه هيچ تفاوتي از تغيير Wavelet در انواع رزلوشن‌هاي محاسباتي بر اساس دايره‌هاي هم محور در عنبيه وجود ندارد و خلاصه اينكه نكات مهم پيشنهادي بولز و بوشاش مواردي از قبيل تجزیه شدن عنبیه براساس مجموعه یک بعدی از شدت سیگنالها و بکار بردن موج کوچک جهت تغییر شکل دادن و استخراج نقاط تقاطعی صفر در مقیاسهای مختلف و در نهايت
مقایسه موقعیت‌هایی از نقاط تقاطعی صفر برای تطبیق عنبیه مي‌باشد.
در سال 1999 ژو(Zhu)، تان(Tan) و وانگ(Wang) [14] يك الگوريتمي براي استخراج خصوصيات الگوهاي عنبيه از فيلتر كردن Gabor چند كانالي و تغيير شكل Wavelet استفاده نموده‌اند.
در سال 2003 لي ما (Li Ma)[15,16] به كمك تان، وانگ و ژانگ تشخيص انسان بر اساس بافت عنبيه و در سال 2004 نيز آثار تشخيص عنبيه توسط تشريح كليد متغيرهاي محلي را در ادامه مبحث تشخيص عنبيه توسعه دادند.
3- تحليل و تشخيص : براي تحليل و تشخيص عنبيه ما مراحل زير را در پيش گرفتيم: (نمودار 1 )
الف. گرفتن تصوير ب. جداسازي عنبيه ج. استخراج خصايص د. طبقه بندي
نمودار1: مراحل تحليل و تشخيص عنبيه چشم انسان

3.1- گرفتن تصوير:
الگوى به كار رفته در عنبيه هر شخصى منحصر به فرد است. اين الگو در چشمان راست و چپ يك شخص نيز يكسان نيست. شاید تصور شود كه استفاده از فناوری اسكن عنبیه برای ورود به مكانی حفاظت شده در آینده عملی می شود اما در حقیقت این فناوری هم اكنون سیستم امنیتی بسیاری از اماكن سری مهم دنیا را تشكیل می دهد. در قلب این سیستم یك (CCD Charge Coupled Device) عناصر میكرو الكترونیكی كه نور را به سیگنال تبدیل می كنند وجود دارد.
این سیستم برای اینكه تصویری شفاف و با كیفیت بالا از عنبیه شخص بگیرد (تصوير 1و2) از نوری قابل رویت با فركانسی نزدیك به فركانس اشعه مادون قرمز استفاده می
كند. بدین ترتیب مردمك چشم شخص بسیار تیره تر به نظر می‌رسد و در نتیجه كار كامپیوتر را برای جداسازی مردمك از عنبیه راحت‌تر می كند. وقتی كه درون چشمی را از اسكنر نگاه می‌كنید دوربین به صورت خودكار بر روی عنبیه چشم شما تنظیم می‌شود. برای اینكه مطمئن شوید در جای درستی ایستاده‌اید سیستم به یك آینه مجهز می‌شود یا دستگاه با صدای رسا به شما اعلام می‌كند كه چشم خود را در جای دقیقی نگاه داشته‌اید یا خیر. معمولا بایستی چشم شما ۱۰ تا ۲۵ سانتی متر از دوربین فاصله داشته باشد وقتی دوربین از عنبیه عكس می گیرد محل های زیر را مشخص می كند. (تصوير3)
۱ مركز مردمك ۲ لبه مردمك ۳ لبه عنبیه ۴ مژه و پلك چشم، سپس الگوی عنبیه را آنالیز و به رمز ترجمه می كند. با توجه به دقت بالای این روش این اسكنرها اغلب در موارد امنیتی شدید استفاده می شود. طبق تحقیق‌های انجام شده چشم انسان از ویژگی های كاملا منحصر به فرد و یكتای او به شمار می رود. به طوری كه احتمال اشتباه سیستم در این روش یك در ۱۰۷۸ است كه بسیار قابل توجه است، همچنین اسكن از عنبیه این امكان را برای سیستم فراهم می سازد تا ۲۰۰ نقطه از عنبیه بررسی و مقایسه شود، در حالی كه شناسایی از طریق اثر انگشت ۶۰ تا ۷۰ نقطه را بررسی می‌كند. در بدن انسان عنبیه چشم ساختاری ظاهری ولی به نوعی محافظت شده به حساب می‌آید، عضوی است كه با گذر زمان دستخوش تغییر نمی‌شود و این ویژگی، این روش شناسایی را بیش از سایر روش ها ایده‌آل می‌سازد. در اكثر مواقع عنبیه چشم افراد پس از انجام عمل جراحی نیز بدون تغییر باقی می‌ماند. حتی افراد نابینا نیز می‌توانند از این روش استفاده كنند، البته تا زمانی كه چشم آنها عنبیه داشته باشد. استفاده از عینك یا لنزهای تماسی هیچ كدام بر روال كار تشخیص، اختلال ایجاد نمی‌كنند و سبب تشخیص نادرست نمی‌شوند.
3.2- جدا سازي عنبيه :
قدم اول درجداسازي عنبيه شامل نقطه‌يابي داخلي وخارجي مرز درعنبيه است در سيستم دوگمان عملگرهاي بخش 1 براي مشخص كردن مركز و ضخامت عنبيه و مردمك چشم استفاده مي‌شود. اين عملگر ها دايره‌هاي هندسي از عنبيه و مردمك چشم استخراج مي‌كند .در واقع آنها به عنوان دايره‌اي ديگرگرفته مي‌شوند .
در چشمان سالم صلبيه نسبت به عنبيه و مردمك چشم بطور كلي سياهتر است.
بشرطي كه (x0, y0) دايره نيرومنداز دايرهاي اطراف و شعاعش تفكيك شود. براي استفاده بهينه از كد هاي صحيح و كلي محاسبه زماني براي موضع يابي صحيح براي يك پيكسل درعنبيه در حدود 250ms است . بنابراين اين عملگرها قابل درك و مشهود هستند كه بازتاب نمايش غير عادي از نقطه منتشر شده مصنوعي است .
براي نقطه گزاري به سوي مركز از چشمان كاربر، ما از محو كردن نور در تصوير مصنوعي چشم استفاده مي‌كنيم. اين نقطه هيچ وقت در جايي گرفته نمي‌شود كه نزديك مردمك چشم باشد بلكه از مرز بين عنبيه و مردمك چشم از داخلي‌ترين حد در عنبيه شكست خورده گرفته مي‌شود.
دومين مرحله براي جستجوي دقيق‌تر مرز مردمك چشم، مركز عنبيه و مرز عنبيه استفاده مي‌شوند. درحقيقت از اين
استراتژي از شيب تجزيه شده را كه يك حيله و روش بكاربرده شده در دايره هاي آشكار شده است استفاده مي‌شود.
قبل از استخراج خصوصيات عنبيه، تصوير بايد به منظور نرماليزاسيون مقياس و شدت روشنايي بخشهاي عنبيه و به منظور بهبود تصاوير عنبيه براي بهتر استخراج كردن خصوصيات عنبيه چشم، پيش پردازش شود تا به جزء‌هاي مهمي از عنبيه تقسيم شود. بنابراين ماژول پيش پردازش به سه واحد تجزيه مي‌شود: بخش‌هاي اجزاء تصاوير عنبيه، نرمالسازي تصاوير عنبيه و افزايش بهبود تصاوير عنبيه، هر واحد در زير توضيح داده شده است.
3.2.1- واحد اجزاء تصاوير عنبيه :
اول تصاوير وارد شده پيش پردازش مي‌شوند تا اجزاء عنبيه را استخراج كنند هر دو مرز داخلي و خارجي از يك نوع عنبيه مي‌تواند دايره‌هايي را استخراج كند. (تصوير4)
اگر چه دو دايره معمولاً هم مركز نيستند. در مقايسه با بخشهاي ديگر چشم، مردمك تاريكترين و عنبيه خاكستري مي‌باشد. واحد اجزاء تصوير عنبيه، فضاي عنبيه نزديك به دايره را بخش بندي مي‌كند.
الف. موقعيت مردمك : مي‌دانيم كه عنبيه و مردمك شكل‌هاي دايره‌اي دارند و لبه‌ها مرز آنها را مشخص مي‌كند كه به شكل يك منحني بسته وصل است.
هر نقطه داخل مردمك شناسايي شده، بعنوان نقطه مناسبي از پروسجر براي استخراج عنبيه تا مرزهاي مردمك مي‌تواند انتخاب شود. براي پيدا كردن موقعيت مناسب مردمك ما جستجو مي‌كنيم يك قسمت يا نقطه تاريك از فضاي مردمك را و بعنوان نقطه مناسب در نظر مي‌گيريم.
ب. شناسايي مرز مردمك : در شروع نقاط مناسب، سيستم قصد دارد كه سه لبه از نقاط روي مرز مردمك را شناسايي كند تا از 3 گذر پردازش استفاده كند.
ج. محاسبات پارامترهاي موقعيت عنبيه و قطعه بندي عنبيه : به منظور سه لبه، نقاط بر روي مرز مردمك مشخص شده است و مرز مردمك مي‌تواند بطور مشابه موقعيت پارامترهاي عنبيه متمركز شودو از طريق سه لبه نقاط روي مرز خارجي عنبيه محاسبه شود. و مرحله بعدي سيستم عنبيه را قطعه بندي مي‌كند.
3.2.2- واحد نرمال سازي تصاوير عنبيه :
بنا به توضيحات داده شده روشنايي تصوير به صورت توزيع نشده است، علاوه بر آن تفاوت فاصله چشم با دوربين ممكن است نتايج متفاوتي از اندازه تصوير همان چشم را بدهد. بطوريكه اندازه مردمك ممكن است خيلي وابسته به شدت روشنايي و اندازه عنبيه باشد و يا ممكن است خيلي وابسته به فاصله از دوربين باشد. تابع ارتجاعي تغيير شكل در الگوي عنبيه ممكن است به نتايج الگوي تطبيق شده اشاره كند. براي اين منظور از تطبيق كردن يا شناسايي كردن دقت عنبيه‌ها استفاده مي‌شود كه لازم است تغيير شكل را از طريق فرآيند نرمال سازي عنبيه تنظيم شود. بطوريكه عنبيه با اندازه مردمك بزرگ بايستي منقبض يا كوچك شود و بالعكس.
3.2.3- واحد بهبود تصاوير عنبيه : تصاوير عنبيه اصلي معمولاً پائين ترين كنتراست را دارند و ممكن است شدت غيريكنواختي باعث شود تا موقعيتهايي از منبع نور داشته
باشند. اين شرايط ممكن است تأثير خصوصيات استخراجي را كاهش دهد. بنابراين نتايج تحليلي الگوي عنبيه را ضعيف مي‌كند. در اين سيستم يك فيلترينگ قوي را بكار مي‌بريم و دنبال مي‌كنيم تا كيفيت يك تصوير با فركانس بالا بهبود پيدا كند.
الف. فيلتر بالاگذر:
تصاوير اكتسابي هميشه شامل نواحي مفيد از عنبيه نيستند كه ممكن است اين نواحي غير مفيد از مژه و تعدادي بخش‌هاي نامربوط ديگر پوشيده شده باشد. اين سيستم فقط فضاي مفيد را كه توسط بريدن و دور انداختن بخش بالايي عنبيه بدست مي‌آيد را نياز دارد تا آنرا پردازش كند. بنابراين از يك فيلتر بالاگذر براي بهبود دادن جزئيات الگوي عنبيه استفاده مي‌شود.
3.3- استخراج خصوصيات : وظيفه ماژل اين قسمت آن است كه خصوصيات ارائه شده در الگوهاي تصوير عنبيه را براي دنبال كردن تشخيص فرآيند، استخراج كند.
3.3.1- شرح برنامه : در قسمت ابتداي بدنه اصلي اين برنامه تصاوير كد شده توسط ويولت به عنوان بانك تصاوير موجود براي دسته بندي افراد دريافت مي‌گردد. در ادامه اين تصاوير سطح خاكستري به تصوير باينري تبديل مي‌گردد، بدين صورت كه نقاط اطلاعات تصوير مقدار صفر و پس زمينه مقدار يك داشته باشد.
قسمت دوم برنامه به محاسبه بعد فركتال تصاوير بانك ورودي اختصاص دارد. به اين منظور كه ويژگيهاي فركتالي دقيق‌تري براي هر يك از تصاوير بانك ورودي محاسبه گردد، ابتدا هر تصوير به 10 زير تصوير يك اندازه تبديل شده و براي هر يك از اين زير تصاوير يا فراخواني تابع مربوطه بعد فركتال محاسبه مي‌گردد. خروجي اين بخش از برنامه ويژگيهاي استخراج شده براي تك تگ تصاوير بانك ورودي مي‌باشد كه در فايلهاي مربوطه ذخيره مي‌گردد.
قسمت سوم برنامه وظيفه دسته بندي و آموزش برنامه را به عهده دارد. عمل دسته بندي در اين پروژه توسط شبكه MLP انجام مي‌پذيرد. به منظور آموزش اين شبكه ويژگيهاي استخراج شده در بخش قبل از تصاوير عنبيه براي يادگيري به يك شبكه عصبي سه لايه با تعداد 20، 10 ، 1 نرون در هر لايه داده شده و اين شبكه 25 دوره (epoch) آموزش داده مي‌شود. تعداد لايه هاي بكار گرفته شده و همچنين تعداد دوره آموزش شبكه MLP مي‌تواند در كاربردهاي مختلف با توجه به دقت مورد نياز و هزينه زماني تغيير كند. و اين فرآيند تجربي مي‌باشد. مقادير به كار گرفته شده در اين پروژه نيز به صورت تجربي و با آزمودن مقادير و حالتهاي مختلف تنظيم شده است. و توسط آنها نتايج قابل قبولي توليد شده است.
در قسمت انتهايي اين برنامه يك تصوير كد شده عنبيه دريافت و همانند آنچه كه در مورد تصاوير بانك ورودي انجام مي‌شد تبديل به تصوير باينري مي‌گردد. سپس به 10 قسمت مساوي تبديل شده و بعد فركتال هر يك از آنها با فراخواني تابع مربوطه محاسبه مي‌گردد. در اين مرحله با بكار گيري اين 10 ويژگي و شبكه عصبي آموزش ديده توسط تصاوير بانك ورودي به سرعت و با دقت نسبتاً بالائي هويت شخص ناشناس صاحب تصوير عنبيه مشخص مي‌گردد.و در صورتي
كه تصوير عنبيه در بانك وجود نداشته باشد. به عنوان فردي ناشناس دسته بندي خواهد شد
تابع DimensionFractal: اين تابع عهده دار وظيفه محاسبه بعد فركتال براي تصاوير باينري ورودي است. الگوريتم كار اين تابع بدين شرح است:
فرکتال برخي ويژگيهاي هندسي نامنظم اشکال و جامدات را که در تمام مقياس ها مشابه به نظر مي رسند، تشريح مي‌کند. بسياري از اجسام محيط اطراف ما داراي چنان ساختار پيچيده‌اي هستند که اندازه گيري طول، مساحت يا حجم آنها به روش‌هاي متداول غيرممکن است. اما با وجود اين، روشي براي اندازه‌گيري خواص هندسي آنها وجود دارد. اين کار را مي‌توان با برآورد چگونگي افزايش طول، سطح يا حجم وقتي که اندازه‌گيري با دقت بهتري انجام مي‌شود، انجام داد. فرض اصلي اين است که دو کميت – از يک طرف طول ، سطح و يا حجم و از طرف ديگر ميزان دقت اندازه گيري – به دلخواه تغيير نمي‌کنند، بلکه چنان تغيير مي‌کنند که امکان تعيين بُعد فراکتالي D را فراهم مي‌سازند.
برای محاسبه بعد فرکتالی D با استفاده از روش بعد جعبه‌ای، ابتدا جسمی یک بعدی مانند بخشی از یک خط راست به طول L را در نظر می گیریم. این پاره خط را می توان با N(s) جعبه یک بعدی به طول ضلع S کاملا پوشاند.در نتیجه داریم:
بنابراین در حالت دو بعدی مربعی به ضلع L در نظر می‌گیریم، که می‌توان آنرا در جبعه پوشاند. برای یک مکعب توان L برابر 3 است و به همین ترتیب برای ابعاد بالاتر. واضح است که برای اجسامی که شکل منظم دارند، توان بدست آمده یک عدد صحیح است. از همین قاعده می‌توان برای بدست آوردن بعد اشیایی که شکل منظم ندارند، مانند یک لکه جوهر یا خط ساحلی استفاده کرد. در این موارد مشاهده می کنیم که توان فوق، که همان بعد فرکتالی شبه جعبه‌ای است، می‌تواند مقداری کسری باشد.
در حالت کلی :
اگر از طرفین معادله 1، لگاریتم بگیریم، خواهیم داشت:
که اگر S<<L باشد، می توان جمله شامل L را نادیده گرفته، پس معادله 3 به صورت زیر تعیین می شود:
بنابراین برای تعیین بعد فرکتالی D، جسم مورد نظر را با شبکه‌ای با بعد مناسب و مقدار ثابت S که به طور منظم تغییر می کند، پوشانده و سپس برای هر شبکه تعداد جعبه های N(s) که جسم مورد مطالعه را پوشانده است، یا حداقل تا اندازه‌ای آن را لمس کرده، را می شماریم. سپس نتایج شمارش را در دستگاه مختصات بر حسب logN(s) رسم می‌کنیم. با تقریب این نقاط با یک تابع خطی، به سادگی می‌توان بعد D را به عنوان شیب خط حاصل تعیین کرد.
به اين ترتيب كه در يك حلقه تكرار هر تصوير ورودي به پنجره هاي كوچك تقسيم شده و با فراخواني يك تابع محلي ديگر تعداد پنجره هاي متقاطع با شكل سيگنال شمرده مي شوند. اندازه اين پنجره ها در هر تكرار حلقه افزايش مي يابد و عمل شمارش تكرار مي‌شود. در ادامه با توجه به فرمولهاي 1
و 2 و 3 و با استفاده از توابع log10 و polyfit در MATLAB بعد فركتال تصوير محاسبه مي گردد. در انتهاي اين تابع مقدار محاسبه شده به عنوان بعد فركتال تصوير ورودي به برنامه فراخوان بازگردانده مي شود.
3.4- تشخيص الگوي عنبيه :
تشخيص عنبيه بر اساس ابعاد بردارهاي خصوصيات داده شده است. بنابراين مدل تشخيص الگوي عنبيه در ابعادي كه توسط ميانگي تطبيق الگو ساخته مي‌شود، اجرا مي‌گردد. متمركز كردن ناحيه‌اي از يك تصوير اكتسابي كه به عنبيه پاسخ داده مي‌شود و توليد نمودن يك بخش كد عنبيه از تصوير عنبيه از طريق محاسبه كردن بعد فركتال براي هر بلاك عنبيه از تصوير عنبيه، وظايف نهايي سيستم فرآيند تشخيص الگو مي‌باشد. ماژول تشخيص الگو تصميم مي‌گيرد كه آيا اين الگو تطبيق داده مي‌شود با يك الگوي عنبيه ذخيره شده قبلي از يك بان اطلاعاتي تصاوير عنبيه يا نه. كه در اينجا از شبكه عصبي MLP براي اين تشخيص استفاده نموده‌ام.
4- نتيجه
تصاوير كه توسط اين روش از عنبيه تهيه شده و به صورت كدهاي خاصي استخراج شده بود را پس از تعيين بعد فركتال و آموزش توسط شبكه عصبي MLP مورد شناسايي قرار دادم كه با ضريب صد درصد عنبيه فرد مورد نظر را پيدا نمود.
كه در اينجه چند نمونه از اين تشخيص و نمودارهاي مربوط به آنرا قرار مي‌دهم.
تصوير8: نمونه كار اجرا شده از تشخيص عنبيه
5. منابع :
[1]http://www.howstuffworks.com
[2]http://www.biometrics.co.za/sol_TimeAtten.htm
[3]http://www.biometrics.co.za/sol_SmartCard.htm
[4]http://www.biometrics-system.com/iris-recognition.htm
[5]L.Berggren “Irisology: A critical review”, Acta Ophthalmoligica, vol.63,pp.1-8,1985.
[6]L.Flom And A.Safir, ” Iris recognition system”,U.S.Pattent 4 641349, 1987.
[7]R.G.Jhnson, “Can iris patterns be used to identify people?”, Chamical and Laser Sciences Division, LA-12331-PR, Los Alamos National Laberatory, Los Alamos, CA, 1991.
[8]J.G.Daugman, “High confidence personal identification by rapid video analysis of iris texture”, Proc. IEEE int. Carnahn Conf. on Security Technology, pp. 1-11,1992.
[9] J.G.Daugman, “Biometric personal identification system based on iris analysis”, U.S. Patent 5 291 560, 1994.
[10]R.P.Wildes, J.C.Asmuth, G.L Green, S.C.Hsu, R.J.Kolczynski, J.R.Matey and S.E.McBride, “A system for automated iris recognition”, Proc. IEEE Workshop on Applications of Computer Vision, Sarasota, FL, pp.121-128,1994.
[11]R.P.Wildes, J.C.Asmuth, G.L Green, S.C.Hsu, R.J.Kolczynski, J.R.Matey and S.E.McBride, “Automated noninvasive iris recognition system and metod”, U.S. Patent 5 572 596, 1996.
[12]W.W.Boles, “A security system based on human iris identification using wavelet transform”, First International Conference onKnowledge-Based Intelligent Electronic System, pp.533-541, Adelaide, Australia, May 21-23, 1997.
[13]W.W.Boles and B.Boashash, “A Human Identification Technique Using Images of the Iris

فایل : 15 صفحه

فرمت : Word