1 / 35

Biometrijsko prepoznavanje na osnovu slike dužice oka

Biometrijsko prepoznavanje na osnovu slike dužice oka. Diplomski rad. Kandidat : Jasmina Smailovi ć. Mentor: prof. dr Zdenka Babić. Uvod u biometrijsko prepoznavanje.

elwyn
Download Presentation

Biometrijsko prepoznavanje na osnovu slike dužice oka

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Biometrijsko prepoznavanje na osnovu slike dužice oka Diplomskirad Kandidat: JasminaSmailović Mentor: prof. dr Zdenka Babić

  2. Uvod u biometrijskoprepoznavanje • Biometrijapredstavljaautomatizovanmetodutvrđivanjaidentitetaosobenaosnovufiziološkihkarakteristikakaoštosu lice, otisakprsta, geometrijaruke, dužicailimrežnjačaoka, raspored vena iliglas.

  3. Uvod u biometrijskoprepoznavanje • Pitanjesvihmogućihaspekatarazlikovanja, prepoznavanjaiidentifikacijejavlja se još u dalekojistoriji. • U novomvijeku, a posebnorazvojemhumanističkihiprirodnihnaukadošlo je do procvatabrojnihmetodakojesutrebalepridonijetiidentifikaciji, prepoznavanjuirazlikovanjuodređenihosoba. • Nekeodklasičnihidentifikacijskihmetoda, kojesupremaopštimkarakteristikamabiometrijske, dobivajupotpuno novo značenjeikvalitetuidoživljavajusvojremake u informatičko-digitalnomokruženju.

  4. Uvod u biometrijskoprepoznavanje • Idejada se dužicaokakoristikaooptičkiotisakprstazaidentifikacijuosobepotiče odoftalmologakojisuiziskustvaprimijetilidasvakadužicaimajedinstvenuteksturuivisoknivodetaljakojiostajunepromijenjenidecenijama.

  5. Uvod u biometrijskoprepoznavanje • Vladineagencije u SjedinjenimAmeričkimDržavamaprvesupočelekoristitiovutehnologiju. Tačnije 1994. državnizatvorLancaster County Prison u saveznojdržavi Pennsylvaniaprva je institucijakoja je uvelaprepoznavanjezatvorenikaputemdužice. • Aerodromi Charlotte/Douglas International Airport (North Carolina) iFlughafen Frankfurt (Njemačka)omogućilisusvojimčestimputnicimadaostavesvojuzorakdužice u njihovom sistemukako bipovećaliprotočnostputnika.

  6. Zašto dužica? Sljedećekarakteristikedužicenaglašavajunjenupogodnostzakorištenje u automatskojidentifikaciji: • Inherentnaizolacijaizaštitaodokolinejer je interni organ oka, izarožnjačeivodenetečnosti. • Dužica se tijekomljudskogživota ne mijenjakaoostalekarakteristike. • Nemogućnostpromjeneoperacijombezrizikada se oštetivid. • Fiziološkaosjetljivostnasvjetlostkojaomogućavaprirodni test protivvarke (postavljanjelažnogokaumjestopravog).

  7. Zašto dužica? • Svakoimarazličitestrukturedužice. • Lakoćaregistrovanjaslikedužicenadistanciodosobebezfizičkogkontakta, nenametljivoimogućeneupadljivo. • Polarnageometrijakojadozvoljavaprirodnikoordinatnisistemioriginalnekoordinate. • Zadobroraspoznavanjedovoljno je 30 - 40 % slikedužice. • Mala je vjerovatnoćalažnogprihvatanja. • Algoritamkojiobrađujesliku je vrlobrz.

  8. Postupakprepoznavanja

  9. Akvizicija slike oka • Da bi bila upotrebljiva, dužica oka se morafotografisatinaudaljenostiod 10-ak centimetarado najvišejednogmetra. • Osoba se mora precizno pozicionirati u odnosu na kameru, dakle nije moguće provesti sigurnosni postupakbez saradnjesubjekta.

  10. Akvizicija slike oka • Slike ne morajubitivelikerezolucije, približno 480x640 piksela, teimaju paletu od 256 sivih nijansi, što je prednost ovemetodejertakvaopremanijeskupa. • Boja dužice nije bitna za prepoznavanje.

  11. Segmentacijadužice oka • Prvikorak, nakonutvrđivanjada je dužicavidljivanasnimljenojslici, je izolovatipodručjedužice u slicioka. • Uspješnostsegmentacijezavisiodkvaliteteslikeoka.

  12. Segmentacijadužice oka • Za pronalaženje kontura zjenice i dužice Daugman predlaže sljedeći integro-diferencijalni operator:

  13. Segmentacijadužice oka • Navedeni algoritam se radi dva puta, prvi put da se detektuje vanjska ivica dužice, a drugi put da se detektuje ivica zjenice. • Kapciitrepaviceobičnonarušavajugornjeidonjedijelovedužiceoka. Zbognjih, potrebna je tehnikakojaće pored lokalizacijedužiceodstranitii ova neželjenapodručja. Za odstranjivanje ovih neželjenih podružja koristi se Houghov algoritam.

  14. Segmentacijadužice oka

  15. Segmentacijadužice oka

  16. Primjerineuspjelesegmentacije

  17. Normalizacija • Nakon uspješne segmentacije dužice iz slike oka, pristupa se fazi u kojoj se transformiše regija dužice tako da ima fiksne dimenzije da bi se omogućilo poređenje. • Nekonzistentnosti u dimenzijama između slika oka su proizvedene prvenstveno rastezanjem dužice zbog dilatacije zjenice usljed različitih razina osvjetljenja. Ostali razlozi nekonzistentnosti uključuju variranje udaljenosti oka od kamere, rotacija kamere ili oka, kao i pomijeranje glave.

  18. Normalizacija • Slika se transformiše u polarni koordinatni sistem. Time se postiže danaprepoznavanje neće imatiuticajveličinazjenicei same slike. • Potrebno je naglasiti da zjenica nije uvijek koncentrična sa dužicom i da je često njen centar pomjeren u odnosu na centar dužice. Ova čijenica se mora uzeti u obzir pri normalizaciji dužice.

  19. Normalizacija • The homogenous rubber sheet model kojeg je izmislio Daugman remapira svaku tačku unutar regije dužice u par polarnih koordinata (r,Ѳ) gdje je r na intervalu [0,1] i Ѳ je ugao koji se nalazi na intervalu [0,2π].

  20. Normalizacija • U implementaciji, potpis dužice je pravljen dimenzija 20x240 piksela.

  21. Normalizacija • Primjeri normalizacije dužice oka dati su na sljedećim slikama.Zjenica je manjanadonjojslici, alinormalizacija je ipakuspjeladaskaliraregijudužicetakodaimakonstantnedimenzije.

  22. Normalizacija • Ukoliko je dužica oka narušena kapcima ili trepavicama, primijenjuje se Houghovalgoritamzaodstranjivanjekapakaizbog toga se u normalizovanomuzorkujavljaregijacrnihpiksela.

  23. Filtriranje • Da bi se obezbijedilo precizno prepoznavanje pojedinca, informacije koje su najviše diskiminirajuće moraju biti dobijene iz potpisa dužice. • Samo značajne karakteristike dužice moraju biti kodirane tako da se može vršiti poređenje između različitih uzoraka dužice. • Log-Gaborov filtar

  24. Kodovanje • Proceskodovanjaproizvodiuzorakkoji se sastojiodbitakoji nose značajneinformacije. • Ukupanbrojbita u kodovanomuzorku je ugaonarezolucijapomoženasaradijalnomrezolucijomisvepomnoženosa 2.

  25. Kodiranje • Nakonfiltriranjauzorka Log-Gaborovimfiltrom, uzorak se sastojiodkompleksnihvrijednosti. Primjerdijelafiltriranoguzorkadat je nasljedećojslici.

  26. Kodiranje

  27. Poređenje uzoraka • Kada je dobijen kodovanipotpis dužice, treba ga uporeditisauzorcima u bazipodataka. • To seradi testom statističke nezavisnosti. • Svaki uzorak dužice generisan iz bilo kojeg oka će proći na testu statističke nezavisnosti sa uzorkom dužicebilokojegdrugogoka. Međutim, akopadne na tom testu sa datim uzorkom dužice, našlismopodudaranje.

  28. Poređenje uzoraka • Zapoređenjeipodudaranjeuzoraka, Hammingovadistanca je izabranakaometrikazaprepoznavanje. • Ovajalgoritamuključujeiupotrebumaski, takoda se jedinoznačajnibitovikoriste u izračunavanjuHammingove distance izmeđudvauzorkadužicedok se ostalibitoviodbacuju (naprimjerbitovikojipripradajukapcimailitrepavicama). • Na tajnačin, Hammingovadistancaćebitiizračunatakoristećijedino bite kojistvarnopripadajuregijidužice

  29. Poređenje uzoraka • Formula pokojoj se računaHammingovadistanca je data sa • gdjesuM i N su odgovarajuće maske za potpise A i B, a N je broj bita u svakom potpisu. predstavljabrojbita u maskamaMiNkojiimajuvrijednost 1 u objemaske.

  30. Statistička evaluacija • Poređenjerazličitihslikaistogoka bez narušavanja kapcima ili trepavicama

  31. Statistička evaluacija • Poređenjerazličitihslikaistogoka sa narušavanjem kapcima ili trepavicama

  32. Statistička evaluacija • Poređenjeslikarazličitih očiju

  33. Zaključak • Jedanpoznatiprimjerprepoznavanjaosobepomoćunjenedužice je fotografija National Geographic-ovogfotografaStevea McCurry-a, “Afghan girl ”.

  34. Zaključak • Prepoznavanjeosobeskeniranjemdužiceokaimasvojeprednostiinedostatke, ali je u svakomslučajujednaodnajsigurnijihbiometrijskihmetoda.

  35. Hvalana pažnji!

More Related