مقالات ترجمه شده دانشگاهی ایران

شناسایی عنبیه SIFT نرمال سازی ارتقا

شناسایی عنبیه SIFT نرمال سازی ارتقا

شناسایی عنبیه SIFT نرمال سازی ارتقا – ایران ترجمه – Irantarjomeh

 

مقالات ترجمه شده آماده گروه کامپیوتر
مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

قیمت

قیمت این مقاله: 48000 تومان (ایران ترجمه - Irantarjomeh)

توضیح

بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.

مقالات ترجمه شده کامپیوتر - ایران ترجمه - irantarjomeh

www.irantarjomeh.com

شماره       
۱۹۵
کد مقاله
COM195
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
شناسایی عنبیه بر مبنای SIFT با نرمال سازی و ارتقاء
نام انگلیسی
SIFT based iris recognition with normalization and enhancement
تعداد صفحه به فارسی
۳۱
تعداد صفحه به انگلیسی
۷
کلمات کلیدی به فارسی
شناسایی عنبیه, SIFT, ارتقاء, نرمال سازی
کلمات کلیدی به انگلیسی
Iris recognition, SIFT, Enhancement, Normalization
مرجع به فارسی
کالج علوم کامپیوتر و فن آوری، دانشگاه شاندونگ، چین
اسپرینگر
مرجع به انگلیسی
Int. J. Mach. Learn. & Cyber. School of Computer Science and Technology, Shandong University, Jinan, People’s Republic of China; Springer
کشور
چین

 

شناسایی عنبیه بر مبنای SIFT با نرمال سازی و ارتقاء

چکیده
SIFT (تبدیل ویژگی نامتغیر مقیاسی) به عنوان یک روش جدید و قابل توجه برای شناسایی عنبیه به شمار می آید. با این وجود، برخی از کمبودها در راهکارهای مرتبط متعدد، نظیر مشکل استخراج ویژگی، اتلاف ویژگی و ایجاد نقطه نویز، وجود دارند. در این مقاله، یک روش جدید تحت عنوان روش شناسایی عنبیه مبتنی بر SIFT با استفاده از فرآیندهای نرمال سازی و ارتقاء به منظور حاصل آوردن عملکرد بهتر پیشنهاد شده است. در مقایسه با دیگر الگوریتم های شناسایی عنبیه مبتنی بر SIFT، روش پیشنهادی قابلیت فایق آمدن بر مشکلات استخراج نقطه حدی و مستثنی سازی نقاط نویز بدون اتلاف ویژگی را دارد. نتایج تجربی مشخص کننده آن هستند که مراحل نرمال سازی و ارتقاء برای شناسایی عنبیه مبتنی بر SIFT ضروری می باشند و بر این مبنا روش پیشنهادی بطور موفقیت آمیزی اقدام به انجام فرآیند شناسایی نموده است.

کلمات کلیدی: شناسایی عنبیه، SIFT، ارتقاء، نرمال سازی

 

شناسایی عنبیه SIFT نرمال سازی ارتقا

 

۱- مقدمه
شناسایی عنبیه  در خلال سالیان اخیر  نقش مهمی را در بسیاری از برنامه های کاربردی تحت عنوان مولفه های mission-critical، نظیر کنترل دسترسی، شناسایی شخصی، کنترل عبور از مرز، پاسپورت الکترونیکی و غیره، بازی نموده است. به طور کلی، روتین شناسایی عنبیه، در مقایسه با دیگر روش های بیومتریک، دارای دقت بالاتر و پایایی بیشتری می باشد. عقیده بر آن  است که امکان حاصل آوردن دو تصویر عنبیه یکسان از دو فرد مختلف، حتی در صورتی که آنها دو قلو باشند، وجود ندارد. به طور کلی، شناسایی عنبیه شامل پیش پردازش، استخراج ویژگی و فرآیند تطبیق می باشد. فرآیند پیش پردازش عمدتاً شامل تعیین موقعیت عنبیه و انجام پروسه نرمال سازی می باشد. پس از پیش پردازش، ویژگی های تصویر عنبیه رامی توان محاسبه، استخراج و نهایتاً مورد تطبیق قرار داد.
در این مقاله، ما یک روش جدید شناسایی عنبیه بر مبنای SIFT جهت حل مشکلات فوق الذکر را ارائه می نماییم، که در آن نقاط ویژگی را می توان به طور کامل و مناسب با ارتقای خاصی عرضه داشت و همچنین برخی از نقاط ویژگی ساختگی را می توان با استفاده از فرآیند نرمال سازی مستثنی ساخت. نتایج تجربی نشان دهنده آن می باشند که روش پیشنهادی در زمینه استخراج ویژگی های از تصاویر عنبیه کارآمدتر بوده و از دقت بالاتری برخوردار می باشد.

ادامه این مقاله به شرح ذیل سازماندهی شده است. بخش ۲ ارائه دهنده الگوریتم های SIFT و تحقیقات مرتبط در زمینه شناسایی عنبیه بر مبنای SIFT می باشد، بخش ۳ تشریح کننده روش پیشنهادی است. بخش ۴ آزمایشات و تحلیل های انجام شده را ارائه می دهد، و در بخش آخر نتیجه گیری این مقاله عرضه می شود.

شناسایی عنبیه SIFT نرمال سازی ارتقا

 

 ۲- تحقیقات مرتبط
۲ـ۱٫ SIFT
SIFT [19] در ابتدا به وسیله Lowe به منظور حاصل آوردن عملکرد بهتر در زمینه شناسایی آبجکت ها یا اشیای مختلف ارائه شد. به واسطه پیشرفت های ثابت مقیاسی، همراه با ویژگی های چرخشی و تبدیل آفین، SIFT به زودی در بسیاری از کاربردها مخصوصاً در زمینه بیومتریک یا زیست سنجی مورد استفاده قرار گرفت. اصل کلی SIFT یافتن نقاط حدی در فضای مقیاس و فیلتر آنها به منظور حاصل آوردن یک مورد باثبات و متعاقباً مشخص سازی ویژگی های موضعی تصاویر در اطراف این نقاط باثبات و استخراج آنها می باشد، به گونه ای که قابلیت ایجاد توصیفگرهای محلی / موضعی برای انجام فرایند تطبیق به وجود آید. مراحل اصلی SIFT به شرح ذیل ارائه می شوند:
۲ـ۱ـ۱٫ کاربرد تابع تفاوت گاوسی به منظور پیاده سازی فرآیند تشخیص اکستریم فضای مقیاس
مقیاس یک تصویر I (x, y) می توان به عنوان یک تابع L (x, y, d) در نظر گرفت که قابلیت محاسبه آن به وسیله شکنج یا کانولوشن تابع G (x, y, d) و تصویر I (x, y) با توجه به معادله ۱ وجود دارد:
۲ـ۱ـ۲٫ انتخاب نقاط کلیدی پایدار از نقاط حدی
نقاط اکستریم یا حدی غیرپایدار که به وسیله اولین مرحله حاصل آمده اند (نقاط دارای کنتراست پایین و نقاط لبه ای) را می توان به گونه ای مستثنی ساخت تا قابلیت حاصل آوردن پایداری و ویژگی ضد نویز به وجود آید و بر این مبنا نقاط کلیدی پایدار یا ثابت را می توان از این نقاط حدی انتخاب کرد. برای یک نقطه حدی A در یک فضای مقیاس مشخص D (x, y, d)، فرمول تیلر (معادله ۳) جهت محاسبه  بکار گرفته می شود، که در آن بردار  به عنوان یک آفست با نقطه A به حساب می آید.
۲ـ۱ـ۳٫ تخصیص جهت گیری ها برای هر نقطه کلیدی
یکی از ویژگی های SIFT ناپایداری و تغییرپذیری دورانی می باشد و بر این مبنا مفهوم ویژگی “نسبی” در ارتباط با این مؤلفه بکار گرفته شده است. به عبارت دیگر، توصیفگرهای نقاط کلیدی را می بایست به صورت نسبی با جهات مختلف محسوب نمود، که بر مبنای آن قابلیت مشخص سازی ناپایداری یا تغییرپذیری دورانی یا چرخشی را می توان حاصل نمود. بر مبنای مقیاس نقطه کلیدی، ما می توانیم تصویر یکنواخت و صاف گاوسی L را انتخاب نماییم که دارای نزدیکترین مقیاس به نقطه کلیدی می باشد. به علاوه برای هر نقطه L(x, y) تصویر، گرادیان L و مسیرهای مرتبط با توجه به معادلات ۶ و ۷ به ترتیب محاسبه می شوند:
۲ـ۱ـ۴٫ ایجاد توصیفگرهای نقطه کلیدی موضعی
عملیات قبلی اقدام به تخصیص جهت ها برای هر نقطه کلیدی نموده و متعاقباً توصیفگرهای نقطه کلیدی محلی / موضعی را تولید می نماید. هر ناحیه تعریف شده نقطه کلیدی به چندین زیر ناحیه تقسیم می شوندَ، که هر کدام دارای هشت جهت می باشند. به طور مثال، در آزمایشات ما، یک ناحیه ۱۶ × ۱۶ پیکسل را می توان به ۱۶ زیر ناحیه تقسیم نمود. هر زیر ناحیه شامل یک ناحیه ۴ × ۴ پیکسلی است و قابلیت ایجاد یک توصیفگر با هشت مسیر را دارد، بنابراین بردار ویژگی با ابعاد ۱۶ × ۸ برای هر نقطه کلیدی را می توان ایجاد نمود.
۲ـ۲٫ شناسایی عنبیه بر مبنای تطبیق نقطه ویژگی محلی
Zhu و همکاران [۲۰] SIFT را برای استخراج ویژگی عنبیه در ارتباط با مشکلاتی نظیر مکان یابی نادرست، انسداد و دفرمه شدگی الاستیکی غیرخطی ارائه نمودند. این روش از تصاویر حلقوی و نرمال شده عنبیه بدون ارتقای استخراج ویژگی استفاده می نماید. این مورد قابلیت کاهش مراحل پیش پردازشی را خواهد داشت. به علاوه، به واسطه مزیت های SIFT، این خصیصه قابلیت توصیف کارآمد خواص محلی عنبیه را نیز دارد. با این وجود، نتایج آزمایشات نشان دهنده آن هستند که نقاط ویژگی را نمی توان به خوبی بدون ارتقای تصویر نشان داد. علت این امر بدین صورت مطرح شده است که بسیاری از بافت های تصاویر عنبیه مفید ممکن است نادیده گرفته شوند. بنابراین کاربرد SIFT جهت حاصل آوردن نقاط کافی اکستریم و بردارهای ویژگی پایدار جهت ارائه تصاویر عنبیه چندان مناسب نخواهد بود.
۲ـ۳٫ رویکرد SIFT ناحیه مبنا برای شناسایی عنبیه
Belcher و همکاران [۲۱] SIFT ناحیه مبنا را جهت ارتقای عملکرد شناسایی عنبیه، مخصوصاً در بانک های اطلاعاتی عنبیه غیرتعاملی، را پیشنهاد نمودند. این مورد اقدام به تقسیم تصویر عنبیه به سه بخش می نماید: بخش چپ، راست و پایین. ویژگی ها صرفاً برای همان بخش تطبیق داده می شوند، که خود قابلیت حذف نقاط غیرتطبیقی را به صورت کارآمد خواهد داشت. نتایج تجربی نشان دهنده آن هستند که عملکرد این روش شناسایی عنبیه رضایت بخش می باشد. با این وجود، کمبودهایی نیز در این روش وجود دارد. همانگونه که در بخش یک مشخص شده است، این فرآیند سبب ایجاد برخی از نقاط نویزدار در بخش های سمت چپ و راست گردیده و برخی از ویژگی های فوقانی نیز حذف می شوند. به علاوه، نویسندگان این بحث را نیز مطرح نمودند که فرآیند نرمال سازی در پیش پردازش ضروری نمی باشد، که البته بر حسب نتایج تجربی ما مورد پشتیبانی قرار نمی گیرد (شکل ۱).

شناسایی عنبیه SIFT نرمال سازی ارتقا

 

۳- روش پیشنهادی
جهت مخاطب قرار دادن مشکلات فوق، ما یک روش جدید را پیشنهاد می نماییم که قابلیت بکارگیری فرآیندهای پیش پردازشی ارتقاء و نرمال سازی برای SIFT را خواهد داشت. چارچوب روش پیشنهادی در شکل ۲ ارائه شده است.
۳ـ۱٫ موضع یابی
موضع یابی عنبیه به عنوان یک مرحله کلیدی برای شناسایی به شمار آمده و دقت  آن  می تواند بر روی تأثیر فرآیند نرمال سازی و استخراج ویژگی تا اندازه ای تأثیرگذار باشد. الگوریتم های موضع یابی کلاسیک، شامل الگوریتم تشخیصگر لبه دایره ای داگمن [۱] و الگوریتم تبدیل هاف ویلدز [۳] از این جمله تلقی می شوند. تشخیصگر لبه مدور یا دایره ای دارای دقت بالایی در ارتباط با موضع یابی یا تعیین موقعیت می باشد، اما این فرآیند زمانبر بوده و به آسانی تحت  تأثیر  تداخلات  موضعی  (مخصوصاً میزان نوردهی)  قرار  می گیرد. با وجود آنکه تبدیل هاف قابلیت مستثنی سازی تأثیرات نقاط نویز و لبه غیر پیوسته را دارد، جستجوی کلی همچنان نیازمند محاسبات پیچیده بوده و چنین الگوریتمی قابلیت حل مشکل انتخاب آستانه با توجه به ویژگی باینری سازی را ندارد. جهت فایق آمدن بر این مشکلات، یک الگوریتم تبدیل ارتقاء یافته هاف به وسیله Wang و همکاران [۲۲] جهت مشخص سازی یا موضع یابی تصاویر عنبیه پیشنهاد شد. شکل ۳ نشان دهنده نتیجه این فرآیند می باشد و نتیجه موضع یابی نیز در شکل ۵ الف نشان داده شده است. این روش قابلیت باریک سازی حوزه جستجو با استفاده از دانش قبلی را داشته،  که  خود می تواند سبب تسریع فرآیند موضع یابی و ارتقای دقت آن شود.
۳ـ۲٫ نرمال سازی
فرآیند نرمال سازی نه تنها قابلیت جبران گوناگونی اندازه ناشی از فاصله تصویر با چشم را دارد، بلکه همچنین می تواند تا اندازه مشخصی بر تأثیر دوران یا چرخش، انتقال و مقیاس برای الگوریتم استخراج ویژگی ذیل فایق آید. نتایج تجربی نشان دهنده آن هستند که فرآیند نرمال سازی در زمینه ارتقاء در قابلیت و توانمندی مجموعه داده های عنبیه مؤثر می باشد، و به علاوه در زمینه ویژگی های استخراج شده با استفاده از این فرآیند نیز از دقت بیشتری در مقایسه با ویژگی های غیرنرمالیده برخوردار است.
۳ـ۳٫ ارتقاء
مشکلات به وجود آمده به واسطه موضع یابی مختلف منبع نور پس از نرمال سازی، نظیر کنتراست پایین و نوردهی غیریکنواخت، بر روی فرآیند شناسایی تأثیرگذار می باشند. مرحله ارتقاء جهت ارائه ویژگی های بهتر تصاویر عنبیه بکار گرفته می شود. بسیاری از الگوریتم های ارتقای مرتبط [۱۳، ۲۳، ۲۴] نظیر معادل سازی هیستوگرام، ارتقای آنتروپی، کسر زمینه ای، و ارتقای SVM پیشنهاد شده اند. در این مقاله، معادل سازی هیستوگرام بکار گرفته می شود چرا که این ویژگی قابل اجرا بوده و زمان اندکی را نیز طلب می کند. هدف معادل سازی هیستوگرام حاصل نمودن تعداد یکسانی از پیکسل ها در هر سطح خاکستری از طریق عملیات نقطه ای می باشد. ارزش خاکستری پیکسل جاری برابر با GA تلقی شده و GB نیز مقدار خاکستری پیسکل متناظر پس از انجام فرآیند تبدیل می باشد، و GB را می توان با استفاده از معادله ۹ محاسبه نمود، که در آن M ´ N به عنوان رزولوشن تصویر به شمار می آید. Hi نیز مجموع کل پیکسل ها در iامین سطح خاکستری به شمار آمده و Gmax نیز به سطح خاکستری ماکسیمال اشاره دارد.
۳ـ۴٫ انطباق
در این مرحله، نقاط ویژگی از دو تصویر عنبیه استخراج شده و با استفاده از الگوریتم SIFT تطبیق داده می شوند. بر مبنای نقاط ویژگی استخراج شده از هر تصویر، نقاط ویژگی یکسان به عنوان جفت های تطبیقی برگزیده شده و تعداد جفت های تطبیقی جهت برآورد مشابهت این دو تصویر عنبیه بکار گرفته می شوند. متعاقباً آستانه مناسب T (تعداد جفت های تطبیقی) پس از تست نتایج تطبیقی کل بانک اطلاعات عنبیه انتخاب می گردد. به طور مثال، این دو تصویر عنبیه به عنوان یک کلاس مشابه دسته بندی خواهند شد، آن هم در صورتی که تعداد جفت های تطبیقی بزرگتر از T باشد، در غیر این صورت این دو تصویر به عنوان کلاس های متفاوت طبقه بندی می گردند. نتیجه تطبیق در شکل ۵ د نشان داده شده است.

شناسایی عنبیه SIFT نرمال سازی ارتقا

 

۴- نتایج و تحلیل تجربی
۴ـ۱٫ بانک اطلاعات
در این مقاله، ما از یک بانک اطلاعات عنبیه  CASIA-v1 [25]،  جهت مقایسه نتایج با روش های مختلف بکار گرفته شده در فرآیند شناسایی عنبیه  بر مبنای SIFT استفاده  می نماییم. این بانک اطلاعات شامل ۱۰۸ کلاس می باشد و هر کلاس دارای هفت تصویر ضبط شده در دو نشست است. کلیه تصاویر با فرمت BMP و با رزولوشن ۳۲۰ × ۲۸۰ ذخیره شده اند.
 
۴ـ۲٫ ویژگی های آزمایشی
کلیه آزمایشات با استفاده از زمان برنامه نویسی ویژوال C++ پیاده سازی شدند و برای این کار از یک کامپیوتر دارای پردازنده ۹۳/۲ گیگاهرتزی و با ۴ گیگابایت استفاده شد. ما از کد منبع Rob Hess (http://blogs.oregonstate.edu/hess/code/sift.) در ارتباط با SIFT به منظور انجام رویه های استخراج ویژگی و انطباق استفاده نمودیم. با توجه به آزمایشات مکفی، ما اقدام به گزینش ۵۵/۰ به عنوان آستانه ضریب مربع فواصل نمودیم که کاملاً در ارتباط با تعداد ویژگی های استخراج شده می باشد. در صورتی که این آستانه کمتر از مقدار مناسب باشد، الگوریتم مربوطه اقدام به حاصل آوردن ویژگی های نامکفی نموده، و در مقابل، در صورتی که آستانه بزرگتر از مقدار مناسب باشد ویژگی های کاذب بسیاری حاصل خواهند شد.
۴ـ۲ـ۱٫ آزمایش ۱
به منظور تأیید کارایی و ضرورت ارتقاء، ما چهار نتیجه پیش پردازش مختلف و نتایج تطبیقی را به ترتیب در شکل های ۶ و ۷ نشان می دهیم. به علاوه، ما نسبت به اندازه گیری زمان پردازش چهار الگوریتم نیز اقدام می نماییم (جدول ۲). میانگین زمان پیش پردازش (موضع یابی، نرمال سازی و ارتقاء) برابر با ۱۳۲ میلی ثانیه می باشد، میانگین زمان استخراج ویژگی ۳۴۴ میلی ثانیه و میانگین زمان تطبیق ۷۱ میلی ثانیه گزارش شده اند. با وجود آنکه میانگین زمان استخراج ویژگی تا اندازه ای زمانبر است، می توان این مورد را به صورت آفلاین نیز انجام داد. به عبارت دیگر، از جدول ۲ ما می توانیم مشاهده نماییم که زمان پیشنهادی را می توان در یک سیستم زمان حقیقی انجام داد.
۴ـ۲ـ۲٫ آزمایش ۲
ما همچنین روش خود را با روش Craig Belcher [9] از طریق انتخاب تصادفی ۶۳ کلاس بانک اطلاعات جهت انجام آزمایشات مقایسه نمودیم. منحنی ROC در شکل ۹ نشان داده شده است، که از آن ما می توانیم مشخص سازیم که EERs تقریباً برابر با ۷/۱۱ و ۶۲/۱% برای روش ناحیه مبنا و روش ما می باشد. نتایج آزمایشی معرف آن است که روش ما عملکرد ارتقاء یافته تری دارد. علت این امر آن است که این روش می تواند از اتلاف ویژگی تصاویر حلقوی جلوگیری نماید و قابلیت مستثنی سازی نقاط نویز ایجادی به وسیله قسمت های دیگر مرتبط به این سه بخش را خواهد داشت. از طریق اجتناب از اتلاف ویژگی، قابلیت حاصل آوردن نقاط ویژگی مفیدتری در ارتباط با انجام فرآیند تطبیقی به وجود آمده که خود سبب افزایش مشابهت تصاویر درون کلاسی می شود. به علاوه، از طریق مستثنی سازی نقاط نویز، نقاط ویژگی کاذب را نیز می توان نادیده انگاشت، که خود سبب کاهش مشابهت تصاویر بین کلاسی خواهد شد.

شناسایی عنبیه SIFT نرمال سازی ارتقا

 

۵- نتیجه گیری
در این مقاله، فرایند شناسایی عنبیه مبتنی بر SIFT با استفاده از رویه های نرمال سازی و ارتقاء پیشنهاد شده است. در مقایسه با دیگر روش های شناسایی عنبیه مبتنی بر SIFT، روش ما قابلیت حاصل آوردن عملکرد ارتقاء یافته را خواهد داشت. نتایج تجربی نشان دهنده آن هستند که الگوریتم SIFT با ارتقاء و نرمال سازی می تواند به طور متمایزی دقت شناسایی را افزایش دهد. به علاوه، روش ناحیه مبنا ممکن است سبب ایجاد برخی از مشکلات نظیر ایجاد نقاط نویز و همچنین اتلاف ویژگی ها شوند، اما با انجام فرآیند نرمال سازی می توان بر این کمبودها فایق آمد.
با وجود آنکه دقت روش ما بیشتر است، هزینه محاسباتی در مقایسه با روش ارتقاء بدون نرمال سازی بیشتر می باشد. تحقیق آتی ما می بایست قابلیت بررسی یک روش کارآمد جهت حل این مشکل را داشته باشد. به علاوه، ما صرفاً از جفت های تطبیقی SIFT به عنوان آستانه استفاده می نماییم، که ممکن است سبب شود تا برخی نمونه ها را نتوان به خوبی متمایز ساخت، بنابراین روش های دیگری نظیر کاربرد SVM یا شبکه عصبی به عنوان یک رویه آموزشی کلاسیفایر با بردار ویژگی SIFT ممکن است دارای عملکرد بهتری باشند.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Irantarjomeh
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.