RECONHECIMENTO DE ÍRIS USANDO FILTRO DE CORRELAÇÃO

1. RECONHECIMENTO DE ÍRIS USANDO FILTRO DE CORRELAÇÃO Volnei da Silva Klehm1, Waldir S. S. Júnior1,2 1 UFAM/CETELI/PPGEE, Universidade Federal do Amazonas, Manaus, AM, Brasil. 2 UFAM/CETELI/DET/PPGEE, Universidade Federal do Amazonas, Manaus, AM, Brasil. volnei_klehm@hotmail.com.br, waldirsabino@gmail.com 3. Conclusão 1. Introdução 2.2. Pré-processamento Na equação anterior, Y representa a saída do correlacionador, H é o filtro projetado (o * indica conjugado complexo) e I é o padrão de teste. Assim sendo, o esquema básico do classificador aqui proposto será (Figura4): A área de identificação biométrica computacional tem assumido um papel cada vez mais importante nos dias atuais, a cada dia faz-se mais presente no cotidiano tendo diversas aplicações onde a identificação robusta e eficaz se faz necessária. Um dos processos de identificação biométrica mais difundidos é o reconhecimento de impressões digitais, entretanto, tal método necessita contato e, portanto, exige o uso de um leitor específico e a confirmação de identidade não pode ser realizada a distância. Nesse contexto, identificações biométricas sem contato físico (ex. voz, face, expressão e íris) apresentam a vantagem de tornar possível o reconhecimento através de um conjunto de mídias ampliando significativamente as áreas em que a identificação biométrica pode se usada. Um dos métodos de destaque em reconhecimento biométrico sem contato é a identificação feita através de íris, o qual, apresenta um elevado grau de singularidade e informação biométrica. Aqui será explorado um método alternativo de reconhecimento conhecido como filtragem de correlação e a razão para tal escolha será justificada nas seções seguintes. Com o advento dos processos de reconhecimento biométrico, novas abordagens têm se feito necessárias afim de reduzir o trabalho de processamento e melhorar a confiabilidade dos classificadores. Como exemplo dos principais desafios da identificação se citam: elevado custo e precisão dos equipamentos utilizados e dificuldade de compensação de distorções corriqueiras do processo de aquisição (rotações, translações, ruídos, etc.). O uso de filtros de correlação traz um modo promissor de tratamento desses desafios, tendo como ponto extra sua necessidade mínima de etapas de pré-processamento, mesmo em imagens bem distorcidas. Apesar de quase nenhum pré-processamento ser necessário neste trabalho, visto que filtros de correlação apresentam robustez a maioria das distorções encontradas em aplicações reais de reconhecimento de íris (deslocamento, ruído, ocultação de parte do padrão de teste, etc.), uma etapa de pré-processamento onde as imagens de íris são normalizadas e seu padrão mapeado em coordenadas polares [6] é natural em diversos trabalhos (Figura2). Figura 3 Figura4 2.5. Treino do Classificador O objetivo básico da etapa de treinamento é de obter, no plano de correlação, um pico de energia bem definido na origem do mesmo e valores próximos de zero no restante. Tal processo deve atender critérios (métricas) pré-definidos os quais devem ter seus valores minimizados ou maximizados (dependendo do parâmetro) para um bom desempenho do filtro. Como exemplo de tais parâmetros de projeto temos: PSR (“peak-to-sidelobe”) o qual tem objetivo de maximizar a relação entre a intensidade do pico central de energia e a região adjacente; ACE (“averagecorrelationenergy”) que deve ser minimizado. Figura2 4. ReferênciasBibliográficas 2.3. Seleção de Características [1] AKSOY, S. IntroductiontoPatternRecognition. [S.l.]: Spring, 2007. [2] JAIN, A. K.; DUIN, R. P. W.; MAO, J. StatisticalPatternRecognition: A Review. IEEE Trans. OnPatternAnalysisAndMachineIntelligence, p. Vol. 22, no 1, 2000. [3] HAGAN, M. T.; DEMOTH, H. B.; BEALE, M. Neural Network Design. [S.l.]: PWS PublishingCompany, 1996. [4] CASIA Iris ImageDatabase. Disponivel em: <http://www.cbsr.ia.ac.cn/english/IrisDatabase.asp>. [5] UBIRIS database. Disponivel em: <http://iris.di.ubi.pt/index.html>. [6] THORNTON, J.; SAVVIDES, M.; KUMAR, B. B. V. K. V. Robust Iris RecognitionUsingAdvancedCorrelationTechniques. [S.l.]: Springer, 2005. [7] KUMAR, B. V. K. V.; MAHALANOBIS, A.; JUDAY, R. Correlation PatternRecognition. [S.l.]: Cambridge University Press, 2005. [8] KUMAR, V. K. V. B. Tutorial surveyofcompositefilter designs for opticalcorrelators. Appl. Opt., 31, 1992. 4773–4801. [9] WILEY, J. WileyEncyclopediaofBiomedicalEngineering. [S.l.]: John Wiley & Sons, 2006. Uma vantagem do uso de filtros de correlação neste trabalho é o fato de não ser necessário o uso de um método formal de extração de características. A própria imagem pré-processada seria suficiente para o para o bom funcionamento deste classificador. 2. Projeto de Máquinas de Aprendizado 2.4. Escolha do Classificador Reconhecimento de padrões é o estudo de como máquinas podem observar o meio, aprender a distinguir padrões de interesse e tomar claras e boas decisões sobre as classes dos padrões [1]. O ciclo de projeto de uma máquina de aprendizado (classificador) é constituído de seis etapas básicas (coleta de dados, pré-processamento, seleção de características, seleção do modelo, treinamento e avaliação de desempenho) [2, 3] (Figura1). As etapas do ciclo de projeto serão tradadas em detalhes de forma específica para o trabalho nas subseções seguintes. Matematicamente, correlação é expressa de forma simples, começando-se com duas funções e e determinamos a função,, correlação como segue [7]: Esse conceito básico está no coração de uma vasta tecnologia em reconhecimento de padrões [7], ainda assim, não é satisfatório em diversas aplicações práticas, nas quais, sinais sofrem as mais variadas alterações. Nos últimos anos, entretanto, melhorias na operação básica de correlação têm aprimorado significativamente a robustez do método em tais problemas do mundo real. Atualmente se destacam invariância ao deslocamento, robustez ao ruído e tolerância a distorções tornam tais filtros muito atraentes [8] em aplicações do mundo real. Reconhecimento de padrões por correlação (CPR – “correlationpatternrecognition”) é, em poucas palavras, um subconjunto de uma área de conhecimento ampla conhecida como “reconhecimento estatístico de padrões”. A CPR baseia-se na criação/seleção de um padrão de referência (modelo) e determinação de sua semelhança com outro padrão de teste. Um exemplo de uma típica saída de um filtro de correlação é descrito na Figura 3 (notar os picos de energia nos locais onde os padrões desejados aparecem). Uma abordagem básica do uso de filtros de correlação é a abordagem no domínio da frequência ilustrada na equação abaixo (a adoção dos algoritmos rápidos para a obtenção da transformada de Fourier tem popularizado tal abordagem): 2.6. Avaliação do Classificador Um dos métodos mais simples e bem difundido consiste na divisão dos dados de treino em duas partes sendo uma usada para treino e outra usada para teste (Figura 5). Uma avaliação desta forma é usada como uma estimativa do verdadeiro desempenho de campo do algoritmo [9]. Abaixo segue o cálculo da estimativa de performance do algoritmo. Figura1 2.1. Coleta de Dados Esta etapa far-se-á através do uso de imagens adquiridas por terceiros em outros trabalhos/instituições. A seguir alguns bancos de dados de imagens de íris serão descritos: CASIA da Academia Chinesa de Ciências [4] contém 108 classes de íris sendo cada uma com 7 imagens, da mesma íris, fotografadas com iluminação infravermelha eliminando assim reflexos nas imagens. UBIRIS [5] da Universidade de Beira Interior de Portugal, é dividido nas versões UBIRIS.v1 e UBIRIS.v2, contendo imagens 1877 imagens de 241 indivíduos e 11102 imagens de 261 indivíduos respectivamente, as imagens são fotografadas com luz visível. Figura 5