Biometrijsko prepoznavanje na osnovu slike dužice oka

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!