دانلود تحقیق تشخیص هویت براساس عنبیه چشم

منحصر به فردی اثر انگشت از قرن 16مورد توجه قرار گرفته است.
تشخیص هویت از طریق اثر انگشت به صورت گسترده ای در تکنولوژی بیومتریک قابل استفاده است.

به این علت که برر سی اثر انگشت به عنوان یک روش صحیح در تشخیص هویت قدمت زیادی دارد و همچنین در مراکزی که از نظر تکنولوژی پیشرفته نیستند data base های بزرگی از اثر انگشت موجود است و قابل استفاده و پر کاربردمی باشد.این تکنولوژی می تواند به هر 2 طریق یک به یک و n به یک استفاده شود.

یعنی هم می تواند یک مدل را با یک مدل دیگر مقایسه کند و هم می تواند یک مدل را با سایر مدل های موجود مقایسه کند.
تطبیق اثر انگشت به صورت الکترونیکی به دو روش انجام می گیرد.
1-روش Minutiea که در این روش ا زمقایسه پایان های مرزبندی شده و دو شاخه روی انگشت استفاده می شود.
2-در روش دیگر از الگوبرداری استفاده می شود به این ترتیب که ابتدا تصویر تقویت شده و خرابی ها و اغتشاشات آن حذف می شوند و سپس به مقایسه و برر سی الگوی اثر انگشت می پردازد.











چکیده :
روش تشخیص هویت با استفاده از تکنیکی که بر مبنای برر سی الگوی عنبیه ی چشم است برای سیستم های کنترل دسترسی که امنیت بالایی نیاز دارند بسیار مناسب است.
هدف این روش تشخیص فوری با اطمینان بالا بوسیله ی تحلیل های ریاضی از نمونه های تصادفی عنبیه چشم است.
عنبیه چشم علاوه بر اینکه منحصر به فرد است یکی از اعضای داخلی چشم است که محافظت شده می باشد و ترکیب و ساختار آن در سراسر طول عمر پایدار و ثابت است.
در این مقاله با قسمت های مختلفی در خدمتتون هستیم:
ابتدا معرفی این تکنولوژی و سپس شرح مختصر گام های مختلف انجام شده برای دستیابی به یک الگوی عنبیه و ساختن یک مقیاس برای
برر سی هویت اشخاص.
یک سیستم بیومتریک به صورت خودکار اشخاص را بر اساس ویژگی های منحصر به فرد و خاص که دارند شناسایی می کند.
برر سی عنبیه چشم به عنوان یک روش شناسایی بومتریک بسیار مناسب هم اکنون قابل استفاده است.
اغلب سیستم های تجاری که از این روش استفاده می کنند بر اساس الگوریتم Daugman عمل می کنند که این الگوریتم این کار را با دقت بالایی انجام می دهد.
در این مقاله هم به برر سی منحصر به فردی عنبیه و هم به برر سی کارایی این تکنولوژی به عنوان یک سیستم بیومتریک می پردازیم.
سیستم برر سی عنبیه یک سیستم جدا سازی است که بر اساس عملگر دیفرانسیل Daugman عنبیه را از مردمک تشخیص می دهد و سایه های تشکیل شده توسط پلک ها و مژه ها و همچنین بازتاب نور را حذف می کند و سپس به برر سی عنبیه می پردازد،بعد اطلاعات را نرمال سازی می کند و در آخر به کمک فیلتر های 2 بعدی اطلاعات استخراج و ملاک بندی می شوند تا یک الگوی منحصر به فرد بسازند.
این سیستم ابتدا برای تشخیص بر روی 75 نمونه چشم آزمایش شد بعد بر روی 624 مورد دیگر انجام شد که میزان اشتباه در قبول کردن%500/0 و میزان اشتباه در رد کردن آن %832/0 بود.بنابراین می بینیم که برر سی هویت با استفاده از عنبیه یک روش بسیار مناسب و دقیق برای تکنولوژی بیومتریک می باشد.

این سیستم ابتدا برای تشخیص بر روی 75 نمونه چشم آزمایش شد بعد بر روی 624 مورد دیگر انجام شد که میزان اشتباه در قبول کردن%500/0 و میزان اشتباه در رد کردن آن %832/0 بود.بنابراین می بینیم که برر سی هویت با استفاده از عنبیه یک روش بسیار مناسب و دقیق برای تکنولوژی بیومتریک می باشد.

3-معرفی 3-1 تکنولوژی بیومتریک یک سیستم بیومتریک شناسایی اتوماتیک یک فرد را بر اساس چند ترکیب مرتب و منحصر به فرد یا دارا بودن مشخصات ویژه فردی را فراهم می کند.

سیستم های بیومتریک بر اساس اثر انگشت چهره های سان ،صدا ، هندسه دست،رسم الخط.شبکیه و موردی که در این مقاله ارائه می شود،عنبیه،توسعه داده شده است.

این سیستم ها بر اساس گرفتن یک نمونه از یک ترکیب، مانند ضبط دیجیتالی یک سیگنال برای تشخیص صدا، یا گرفتن تصویر دیجیتالی رنگی برای تشخیص صورت کار می کنند.

این نمونه ها با بکارگیری چند رابطه ریاضی طبقه بندی شده به یک الگوی بیومتریک تبدیل می شود.این الگوی بیومتریک تشخیص عالی و موثر و نرمال سازی شده از چهره را فراهم خواهد کرد که می تواند به طور مجرد با سایر الگوها جهت تعیین هویت مقایسه گردد یک سیستم بیومتریک خوب، با بکارگیری یک مشخصه تشخیص داده می شود,که باید مشحصات زیر را داشته باشد: 1)منحصر به فرد بودن بالا : به قسمی که شانس اینکه دو نفر داری همان مشخصه یکسان باشند حد ا قل باشد.

2)ثابت بودن : به قسمی که آن مشخصه در طول زمان تغییر نکند به آسانی به دست آید.به منظور فراهم کردن آسایش کاربر و ممانعت از عدم نمایش مشخصه مزکور.

3-2چگونگی مقایسه با اندکی بحث و استدلال و نگاه کلی و مستند مشخص می گردد که از دقیق ترین و متداولترین تکنیک های بیومتریک مورد استفاده،بررسی عنبیه است.

دقت: مشابه یک دانه برف،هر عنبیه مطلقا منحصر به فرد است.عنبیه چشم های چپ و راست با هم متفاوت هستند.

مثل اینکه چشم شخص دیگری است.

شانس پیدا کردن تصادفی 2 عنبیه مشابه خیلی کم می باشد.

تفاوت دیگری که صحت و دقت را ایجاب می کند این است که نیازی به مداخله انسانی در آغاز کار جهت تنظیم و برقرار ساختن اجزای قبول و یا رد گزینه false نیست.

وانسان در اجزای استانداردها در این تکنولوژی نقشی ندارد،در حالی که یک عدم انطباق (egual error rate)EER (نرخ خطای یکسان)1 در 102 میلون محاسبه شده است.

پایداری: بجز عنبیه همه الگوهای بیومتریک تغییرات زیادی در طول زمان دارند مثل تغییرات صدا،دست ها و رشد انگشت ها .

نوع آزمایش مشخصی که انجام می دهند،حتی درجه حرارت هوا،یا شرایط پزشکی فرد،می تواند منجر به تغییرات الگو در سایر تکنولوژیها شوند.به استثنای زخم،جراحی خاص چشم بزشکی،الگوهای غیر از سن 1 سالگی تا زمان مرگ ثابت هستند.

(در زمان مرگ بافت عنبیه سریع تر از سایر بافت های دیگر بدن فاسد می شود.) به همین منظور بعضی اوقات آسیب شناسان برای بر آورد زمان مرگ از بررسی بافت عنبیه استفاده می کنند.

سرعت: بجز عنبیه هیچ تکنولوژی بیومتریک دیگری طراحی نشده که توانایی 1 به n جستجوی بدون درنگ داشته باشدیعنی این توانایی را دارد که یک عنبیه را از سایر عنبیه ها در بانک اطلاعاتی بزرگ تشخیص دهد.طبق تحقیقات در هر دقیقه می توان 20 تصویر عنبیه را با هم قیاس کرد.

در بر رسی اثر انگشت،با بزرگتر شدن بانک اطلاعاتی زمان هم افزایش می یابد که به کمک فیلتر ها به آن سرعت می بخشند.

غیره قابل هجوم بودن: عملیات شناخت عنبیه بدون نور چراغ ونور لیزری هم انجام می شود.کاربر می تواند در فاصله 10 اینچی قرار بگیرد و حتی عینک و یا لنز بر چشم داشته باشد بدون اینکه بر وقت سیستم تأثیر بگذارد.

بر خلاف سایر تکنولوژی های بیومتریک، تشخیص هویت بر مبنای بررسی عنبیه هیچ تماس فیزیکی را لازم ندارد.

این فقط به این معنی نیست که بگوییم تکنولوژی غیر لمسی است.بلکه این بسیار مناسب است برای محیط هایی که در آنجا بدن بخاطر حفاظت از بعضی موارد پوشیده است.

کاربرد های شناسایی عنبیه اصولا درون چشمی است که بدون نظارت بر لکه ها و معایب صورت می گیرد.

3-3 شناسایی هویت از روی تصویر عنبیه عنبیه یک عنصر قابل دیده شدن از خارج است،که محافظت شده است و به صورت الگوهای ژنتیکی منحصر به فرد است و در تمام دوران بزرگسالی بدون تغییر می ماند.

زمانی که شخص بخواهد به وسیله عنبیه شناسایی شود ابتدا تصویری از چشم او گرفته شده و سپس الگوی آن بر اساس عنبیه اش ساخته خواهد شد، الگوی به دست آمده با الگو های ذخیره شده در بانک اطلاعاتی مقایسه شده،اگر الگو با الگویی که در بانک اطلاعاتی وجود دارد تطابق داشت که شخص شناسایی شده و در غیر این صورت شخص ناشناخته است.

4-تجزیه 4-1 پیش زمینه مرحله اوّل در بررسی عنبیه جداسازی محدوده اصلی عنبیه در تصویر چشم است.

محدوده عنبه در تصویر نمایش داده شده است که می توان به صورت تقریبی با 2 دایره نمایش داد.یکی مرز بین عنبیه و قسمت سفید چشم و دیگری قسمت داخلی آن برای جداسازی مرز عنبیه با مردمک.مژه ها و پلک ها معمولا بالاتر و پایین تر از محدوده عنبیه ظاهر می شوند .در این روش بعد از مرحله جدا سازی مخدوده عنبیه برای ما مشخص می شود.

برای افرادی که عنبیه چشم آنها داری رنگ تیره است اگر تصویر برداری در زیر نور طبیعی صورت گیرد به دلیل عدم شفافیت و وضوح بین مردمک و عنیه،تشخیص محدوده عنبیه کار مشکلی می شود.

مرحله تجزیه یک مرحله مهم و اساسی در موفقیت سیستم بر رسی عنبیه است چرا که اگر تجزیه به درستی صورت نگیرد اطلاعات الگو به صورت نا مطلوب ساخته خواهند شد و در نتیجه شناسایی خوبی نخواهیم داشت.

همانطور که در شکل می بینیم گاهی بازتاب آینه ای موجب ایجاد اختلال در الگوی عنبیه شود که در شکل زیر بازتاب نور کاملا مشخص است.

4-2 مژه ها و شناسایی پارازیت ها Kang, Zhang روشی را برای شناسایی مژه ها ارائه کردند که با مژه ها به 2 روش برخورد می کند: 1.مژه های جدا از هم که در این حالت ویر مژه ها از هم جدا هستند.

2.مژه های وصل به هم که به صورت دسته ای به هم وصل هستند.

مژه های جدا از هم با استفاده از فیلتر های Gobor قابل شناسایی هستند، هر چند که بر رسی آن ها با روش هموار سازی Gavssian نتایج خروجی پایینی دارد.

نکته مهم این است که توجه کنیم که نقطه زیر مژه چگونه است.

اگر واریانس شدت مقادیر در یک پنجره کوچک کمتر از آستانه آن بود در اینصورت مرکز پنجره به ما نقطه زیر مژه را نشان می دهد مدل Kang,Zhang همچنین با استفاده از معیار ها و کمیت های وابسته بیان می کند که هر نقطه دو مژه باید یا به نقطه دیگری در مژه و یا در پلک متصل باشد.

بانک اطلاعاتی LEI با استفاده از یک آشکارکننده انعکاس جداسازی محدوده مردمک را با استفاده از روش بررسی محدوده مورد نظر و بازتاب اون محدوده با بررسی پیکسل هایی با وضوح بالا انجام می دهد.

در اسلاید 19 شکل بالا سمت راست 2 دایره روی مرز بین مردمک و عنبیه و قسمت سفید چشم مشخص شده است و 2 خط برای مشخص کردن محدوده بالا و پایین عنبیه می بینیم.

در شکل پایین سمت راست این خط های افقی محدوده عنبیه رو کاملا جدا کرده و با سیاه کردن بازتاب نور را حذف کردند.

5- نرمال سازی: هنگامی که تصویر ناحیه عنبیه با موفقیت از تصویر چشم جدا سازی شد مرحله بعدی انتقال دادن تصویر ناحیه عنبیه به تصویری با ابعاد ثابت است.

برای اینکه به ما امکان مقایسه تصاویر چشم را به درستی بدهد چون مواردی هست که باعث نا برابری تصاویر چشم می شود مثل فاصله و چرخش دوربین چرخش عنبیه در گودی چشم و انبساط چشم.

همانطوری که می دونیم در تاریکی مردمک چشم منبسط می شودتا بتواند نور بیشتری را جذب کندو در روشنایی مردمک منقبض می شود تا بتوانداز ورود نور زیاد به چشم جلوگیری کند.

از موارد دیگری که به نرمال سازی احتیاج دارد ناهماهنگی مرکز عنبیه و مردمک است.زیرا این دو همیشه هم مرکز نیستند که بعد از نرمال سازی باید به صورت 2 دایره متحدالمرکز شوند.

5-1 مدل گستره بر صفحه داگمن : این مدل تصویر را اینگونه بر رسی می کند که هر نقطه از عنبیه با مختصات قطبی (θ،r) مشخص می شود که در آن r فاصله است .

و Ө هم درجه زاویه است که R :فاصله بین مردمک و عنبیه Ө :زاویه ای که بین 2Л],0] قرار دارد.

این حالت برای مواقعی که عنبیه و مردمک غیر هم مرکز هستند نرمال سازی انجام می دهد.

این مدل مشکلاتی مثل انبساط مردمک فواصل تصاویر هم مرکز نبودن مردمک با عنبیه را برطرف می کند ولی نا هماهنگی ناشی از چرخش را نمی تواند بر طرف کند ابن کار را در سیستم داگمن با تطابق دادن انجام می دهد به این ترتیب که آنقدر الگوی عنبه را در جهت Ө شیفت میدهند تا 2 الگوی عنبیه با هم مچ شود.

6-تطبیق و کد کردن به منظور شناسا یی دقیق افراداغلب اطلاعات متمایز کننده موجود در یک الگوی عنبه باید خارج شود تا ویژگی های مشخص عنبیه کدشود و مقایسه بین الگوها امکان پذیر گردد اغلب سیستم های تشخیص هویت بر اساس عنبیه از دسته بندی کردن اطلاعات حاصل از تجزیه و تحلیل عنبیه برای ساخت یک الگوی بیومتریک استفاده می کنند.

الگویی که به وسیله فر آیند کد کردن ساخته می شود نیازمند یک تطابق متریک مچ هستندکه به ما میزان تشابه بین الگوی 2 عنبیه چشم را بدهد.

تطابق متریک 2 نتیجه می تواند داشته باشد: 1.Intra -class : مقادیر هنگام مقایسه ی الگوهای ایجادشده از همان جشم است.

2.: inter -class مقادیر هنگام مقایسه ی الگوهای ایجادشده از عنبیه های متفاوت هستند.

6-1 فیلتر های گابر: فیلترهای گابر قابلیت تهیه تصاویر را از یک سیگنال موود در فضا با فرکانس های فضایی دارد که بر اساس تلفیق 2 موج سینوسی یا کسینوسی با یک منهنی گوس کار می کند.

فیلترهای حقیقی و مجازی به ترتیب به عنوان مؤلفه قرینه زوج و فرد شناخته می شوند.

همانطور که در شکل می بینیدمؤلفه فرد شکل سمت راست که از تلفیق موج سینوسی با منهنی گوس حاصل شده است شکل سمت جپ که از تلفیق موج کسینوسی با منحنی گوس حاصل شده است.

فیلتر های گابر 2 قسمت دارد: فرکانس مرکزی فیلتر 2.پهنای باند فرکانس مرکزی فیلتر با فرکانس موج سینوسی یا کسینوسی و پهنای باند فیلتر با پهنای منهنی گوس مشخص می شود.

داگمن برای فشرده کردن داده خروجی فیلتر گابر را پیاده سازی کردکه این اضافه کردن فاز اطلاعات به 4 مرحله تقسیم می شود.

فاز اطلاعات به ما اجازه کد کردن اطلاعات متمایز کننده عنبیه همزمان با کات کردن اطلاعات زائد را می دهد.

1.در کل 2048 بیت برای الگو خانه حافظه در نظر گرفته می شود.

2.

یک تعداد مساوی بیت دیگر برای بازسازی بیت های مخدوش شده خانه حافظه در نظر گرفته می شود.

3.یک الگوی فشرده 256 بایتی ساخته می شود که اجازه ذخیره اطلاعات حاصل از مقایسه عنبیه ها را می دهد.

4.سیستم داگمن از مختصات قطبی برای نرمال سازی استفاده می کند.

نتیجه گیری: 1.تشخیص هویت بر اساس عنبیه یک سیستم بیو متریک برای تشخیص هویت اتوماتیک انفرادی می باشد.

2.سیستم تشخیص هویت بر اساس عنبیه دارای 4 بخش می باشد: الف.جداسازی ب.نرمال سازی ج.کد کردن د.تطبیق دادن الف.تکنیک جداسازی برای جدا کردن محدوده واقعی عنبیه در عکس دیجیتالی چشم استفاده می شود.

ب.تکنیک نرمال سازی برای انتقال دادن تصویر ناحیه عنبیه به تصویری با ابعاد ثابت استفاده می شود.

ج.

تکنیک کد کردن برای خارج کردن اطلاعات متمایز کننده موجود در یک الگوی عنبه برای شناسا یی دقیق افراد استفاده می شود.

د.

تکنیک تطبیق دادن از تطابق متریک مچکه به ما میزان تشابه بین الگوی 2 عنبیه چشم را می دهد استفاده می کند.

References [1] S.

Sanderson, J.

Erbetta.

Authentication for secure environments based on irisscanning technology.

IEE Colloquium on Visual Biometrics, 2000.

[2] J.

Daugman.

How iris recognition works.

Proceedings of 2002 International Conference on Image Processing, Vol.

1, 2002.

[3] http://www.cl.cam.ac.uk/~jgd1000/iris_recognition.html [4] R.

Wildes.

Iris recognition: an emerging biometric technology.

Proceedings of theIEEE, Vol.

85, No.

9, 1997.

[5] J.

Biometric personal identification system based on iris analysis.

Patent, Patent Number: 5,291,560, 1994.

[6] http://www.argus-soloutionns.com/why-use-iris-recognition.htm [7] R.

Wildes, J.

Asmuth, G.

Green, S.

Hsu, R.

Kolczynski, J.

Matey, S.

McBride.

A system for automated iris recognition.

Proceedings IEEE Workshop on Applications of Computer Vision, , pp.

121-128, 1994.

[8] W.

Boles, B.

Boashash.

A human identification technique using images of the iris and wavelet transform.

IEEE Transactions on Signal Processing, Vol.

46, No.

4, 1998.

[9] S.

Lim, K.

Lee, O.

Byeon, T.

Kim.

Efficient iris recognition through improvement of feature vector and classifier.

ETRI Journal, Vol.

23, No.

2, , 2001.

[10] S.

Noh, K.

Pae, C.

Lee, J.

Multiresolution independent component analysis for iris identification.

The 2002 International Technical Conference on Circuits/Systems, Computers and Communications, , 2002.

[11] http://www.lgiris.com/iris/compares.html [12] http://archives.cnn.com/TECH [13] of Sciences – .

Database of 756 Greyscale Eye Images.

http://www.sinobiometrics.com Version 1.0, 2003.

[14] C.

Barry, N.

Ritter.

Database of 120 Greyscale Eye Images.

Lions Eye Institute, .

[15] W.

Kong, D.

Zhang.

Accurate iris segmentation based on novel reflection and eyelash detection model.

Proceedings of 2001 International Symposium on Intelligent Multimedia, Video and Speech Processing, , 2001.

[16] http://www.findbiometrics.com/tech-showcases/viewshowcase.php?showcase-id=10&sc-title=iris+recognition [17] www.csse.uwa.edu.au/~pk/studentprojects/ libor/LiborMasekDocument.pdf [18] D.

Field.

Relations between the statistics of natural images and the response properties of cortical cells.

Journal of the Optical Society of , 1987.

[19] A.

Oppenheim, J.

Lim.

The importance of phase in signals.

Proceedings of the IEEE 69, 529-541, 1981.

[20] T.

Lee.

Image representation using 2D gabor wavelets.

IEEE Transactions of Pattern Analysis and Machine Intelligence, Vol.

18, No.

10, 1996.