Bir-Bit Dönüşümü ve Açısal Radyal Parçalama Kullanan

Bir-Bit Dönüşümü ve Açısal Radyal Parçalama Kullanan

Bir-Bit Dönüşümü ve Açısal Radyal Parçalama Kullanan Düşük
Karmaşıklığa Sahip Đris Tanıma Sistemi
Low-Complexity Iris Recognition Using One-Bit Transform and
Angular Radial Partitioning
Aysun Taşyapı Çelebi, M. Kemal Güllü, Sarp Ertürk
Elektronik ve Haberleşme Mühendisliği Bölümü
Veziroğlu Yerleşkesi, Kocaeli Üniversitesi, 41040, Đzmit/Kocaeli
[email protected], {kemalg, sertur}@kou.edu.tr
Özetçe
Bu bildiride, 1-bit dönüşümüne (1-BD) ve açısal radyal
parçalamaya (ARP) dayalı özgün bir iris tanıma sistemi
önerilmektedir. Bölütlenen iris bölgesinde 1-BD yapılarak
ikili imge elde edilmektedir. Bu imge üzerinde açısal ve radyal
parçalar alınarak, her bir parçadaki veri miktarına göre bir
özellik vektörü elde edilmekte ve tanıma yapılmaktadır Bu
yöntemin avantajı çok düşük hesapsal yüke sahip olmasıdır.
Bunun yanında yöntem, yüksek tanıma ve doğrulama başarımı
vermektedir.
Abstract
In this paper, a novel low-complexity iris recognition system
based on 1-bit transform (1BT) and angular radial
partitioning (ARP) is proposed. A binary iris image is
obtained using 1BT on iris image. ARP is applied to this
binary image and a feature vector is extracted considering the
amount of data in the partitions and identification is executed.
An important advantage of the proposed approach is its lowcomplexity. Furthermore, the method gives high identification
and verification accuracies.
1. Giriş
Biyometrik tanıma sistemleri son yıllarda oldukça fazla
kullanım alanı bulmakla birlikte, güvenilirlikleri de gittikçe
artmaktadır. Đris tanıma sistemleri, diğer biyometrik
sistemlerle karşılaştırıldığında daha yüksek güvenilirlik
sağlamaktadır. Đrisin kimlik tespiti için kullanılması fikri, ilk
kez ortaya göz doktoru Alphonse Bertillon [1] tarafından
ortaya atılmıştır. Sonraki dönemlerde ise Dr. Leonard Flom ve
Dr Aran Safir, her bireyin irisinin tek olduğunu ispatlayarak
bu fikrin patentini almışlardır. John Daugman [2] ve ekibi
1991 yılında, Dr. Leonard Flom ve Dr Aran Safir ile birlikte
çalışarak iristen kod oluşturan ve tanıma işlemini
gerçekleştiren bir algoritma geliştirmiş ve patentini
almışlardır.
Bir iris tanıma sistemi üç aşamada incelenebilir. Đlk
aşamada imgeden iris bölgesi tespit edilmektedir. Đkinci
aşamada ise iris bölgesinden kişiye özel ayırtedici iris kodu
çıkartılmaktadır. Son aşamada da seçilen benzerlik ölçütüne
göre tanıma (identification) ya da doğrulama (verification)
yapılmaktadır.
Daugman tarafından [2]’de önerilen yönteminde iris
imgeleri CCD kamera ile kızılötesi ışık altında 640x480
piksel çözünürlüğünde alınmaktadır. Đris bölgesini bölütlemek
amacıyla tümleşik-türev operatörü kullanılmaktadır. Bu
operatör ile iris ve gözbebeğinin merkezleri ile yarıçapı
bulunmaktadır. Bulunan iris bölgesi dikdörtgensel koordinat
sistemine taşınmaktadır. Daugman’ın bu yöntemine rubbersheet modeli denilmektedir. Özellik çıkartımında irisi
kodlamak için 2-B Gabor süzgecleri kullanmaktadır. Đris
imgesi farklı frekans ve yönde gabor dalgacıklarıyla
süzgeçlenmekte ve elde edilen faz bilgisine dört seviyeli
nicemleme yapılarak özellik vektörü elde edilmektedir.
Karşılaştırma için Hamming mesafesi (HM) kullanmaktadır.
Test edilecek iris kodu veritabanındaki diğer iris kodları ile
EXOR işlemine sokulmaktadır.
[3]’deki çalışmada, iris bölütlemede Gauss filtresi
kullanmakta ve Laplacian of Gaussian süzgeci ile özellik
çıkartılmaktadır. [4] ’deki çalışmada, ise irisi sınıflandırmak
için iris imgesi üzerindeki sanal çemberlerin çeşitli
çözünürlüklerdeki 1B dalgacık dönüşümünü ve sıfır
geçişlerini kullanmaktadır.
[5] ’deki çalışmada, irisin iç ve dış sınırlarını belirlemek
için Hough transformu kullanmış, iris dokusunu kodlamak
için de bir boyutlu Log Gabor filtreden faydalanmaktadır.
Tanıma kısmı Daugman’ın yöntemi ile aynı olup benzerlik
ölçütü olarak Hamming uzaklığı kullanılmaktadır.
Bu çalışmada iris bölgesinin tespiti için Daugman’ın
kullandığı tümleşik türev operatörü kullanılmaktadır.
Bölütlenmiş imgede özellik çıkartımı için 1-bit dönüşümü (1BD) [6] uygulanarak irisin yapısı ortaya çıkartılmakta ve elde
edilen ikili iris imgesine Açısal Radyal Parçalama (ARP) [7]
uygulanarak iris için özellik vektörü elde edilmektedir. Son
aşamada ise hem tanıma hem de doğrulama performansı
ölçülmektedir. Yöntemin başarımı UBIRIS ve UPOL iris
veritabanları kullanılarak literatürdeki çalışmalar ile
karşılaştırılmaktadır.
2. Önerilen Yöntem
2.1. Đris ve Gözbebeğinin Bölütlenmesi
Kullanılan iris imgelerinde gözbebeği ile irisin sınırlarını,
merkezini ve yarıçapını bulmak için Daugman tarafından
kullanılan tümleşik-türev yöntemi kullanılmaktadır. Đmgelerin
birinci türevini kullanarak, istenen geometrik parametrelerin
bulunmasını sağlayan tümleşik-türev, aslında Hough
dönüşümünün bir başka şeklidir.
Đris ve gözbebeğinin kesin merkez koordinatlarını ve
yarıçaplarını bulmak için kabadan inceye doğru bir tarama
yapılır. Đris taraması sonucunda elde edilen bölgede iris ve
gözbebeğinin eşmerkezli olmayacağı ihtimali göz önünde
bulundurularak gözbebeği taraması yapılmaktadır. Gözbebeği
yarıçapının iris yarıçapının 0.1 ile 0.8 aralığında değişim
gösterdiği kabul edilmektedir. Bu kabullenme sonucunda
irisin girilen bilgileri kullanılarak çok rahat bir şekilde
gözbebeği bilgileri elde edilmektedir. Kullanılan tümleşiktürev operatörünü sağlayan fonksiyon eşitlik (1)’ de
verilmektedir.
max ( r , x0 , y0 ) Gσ (r ) *
I ( x, y )
∂
ds
∫
r
,
x
,
y
0
0
∂r
2πr
(1)
G (r ) , Gauss gibi yumuşatma fonksiyonudur. I ( x, y ) giriş iris
imgesidir ve operatör artan yarıçap ve ( x0 , y0 ) merkez noktası
için geçerli olan bulanıklaştırılmış kısmi türev işleminin
maksimum değerini aramaktadır.
(a)
göstermektedir.
1-BD sonucunda elde edilen ikili imgede, detaylar
oldukça iyi korunmaktadır. Bunun nedeni, çekirdek
süzgecinin ikili imgenin elde edilmesi sırasında uyarlamalı
eşik özelliği göstermesidir. Diğer bir ifadeyle, ikili imgeye
dönüştürülecek olan orijinal imge üzerinde, sabit bir eşik
değeri yerine değişken bir eşik değeri kullanılmaktadır. Đkili
imge, sabit eşik değeri kullanılarak elde edildiğinde ise
detaylar kaybolmaktadır.
Şekil 2’de bölütlenmiş iris imgesi, bu imgeye histogram
eşitlemesi uygulanmış hali ve 1-BD sonunda elde edilmiş ikili
imge gösterilmektedir. Öncelikle histogram eşitlemesi
yapılarak iris imgesindeki lokal kontrast değişiklikleri
arttırılmaktadır. Böylece 1-BD uygulandığında detaylar
özellikle de irisin dış kenarlarındaki detaylar ortaya
çıkarılmaktadır.
(a)
(b)
(c)
Şekil 2: (a) Bölütlenen iris bölgesi, (b) Histogram
yayma yapılmış hali, c)1-BD uygulanmış hali
(b)
Şekilden de görüldüğü gibi 1-BD sonucunda elde edilen
imgede irisin yapısal bilgisi başarılı bir şekilde
oluşturulmaktadır. Burada 1-BD kullanmamızın en büyük
avantajı basit bir filtre kullanılması veya literatürdeki diğer
yöntemlere göre çok düşük hesapsal yüke sahip olmasıdır.
2.2.2.
(c)
(d)
Şekil 1: (a) UBĐRĐS veritabanından orijinal iris imgesi, (b)
Đris ve gözbebeği bulunmuş imge(c)UPOL veritabanından
orijinal iris imgesi (d) Đris ve gözbebeği bulunmuş imge
2.2. Özellik Çıkartımı
Đris ve gözbebeğinin yarıçapı ve merkez koordinatları
bulunduktan sonra elde edilen bölgeden iris kodu
çıkartılmaktadır. Bu çalışmada, iris kodunun çıkartılması için
yeni bir yöntem önerilmiştir. Bu yöntemde, bulunan iris
bölgesine 1-BD uygulanır ve elde edilen ikili imgeye daha
sonra Açısal Radyal Parçalama (Angular Radial Partitioning
ARP ) uygulanır.
2.2.1.
1-Bit Dönüşümü
1-BD
genelde
hareket
kestirimi
çalışmalarında
kullanılmaktadır [6]. 1-BD’nin amacı imgeleri ikili düzeyde
göstermek, böylece piksel değerlerinin bit derinliğini
azaltmaktır. 1-BD yaklaşımında imgeler bir çekirdek
kullanılarak süzgeçlenmektedir. Kullanılan çekirdek çoklu
bant geçiren bir süzgeç yapısına sahiptir. Đmge çekirdek ile
süzgeçlendikten sonra (2)’ de verilen karşılaştırma ifadesi ile
ikili (binary) imgeye dönüştürülmektedir.
1, I ( i, j ) > I f ( i, j )
B ( i, j ) = 
0, diğer
(2)
(2)’de görülen I orijinal imgeyi, If ise süzgeçlenmiş imgeyi
Açısal Radyal Parçalama
Açısal Radyal Parçalama (ARP) [7], imgenin diğer imgelerle
arasındaki benzerliği doğru, kolay ve hızlı biçimde ölçmeyi
sağlayacak yeni bir yapıya dönüştüren bir yöntemdir. Dönme
ve ölçekleme etkisine karşı gürbüz çalışır.
[6]’ de verilen çalışmada öncelikle imge kare boyutlara
(SxS) gelecek şekilde yeniden boyutlandırılmakta sonra ise
imgenin Canny kenar bulma algoritması ile kenar haritası
çıkartılmaktadır. Bu çalışmasında ise Canny kenar bulma
yerine 1-BD yapılarak imgenin detaylarının açığa çıkarıldığı
bir harita elde edilmektedir. Yöntemde I imgesinde
oluşturulan bir daire M×N parçaya bölünmektedir. Buradaki
M radyal bölüm sayısını, N ise açısal bölüm sayısını
göstermektedir. Birbirine komşu açısal bölümler arasındaki
açı θ=2π/N ve eşmerkezli daireler arasındaki yarıçap ise
ρ = R M olarak bulunmaktadır. Burada R, I imgesinde
oluşturulan dairenin yarıçapıdır. Şekil 3’de bu yapı
gösterilmektedir.
Şekil 3: M radyal N açısal parçaya bölerek yapılan
açısal radyal
Bir sonraki aşamada, her bir bölümdeki kenar sayısı o
bölümün özellik vektörü olarak elde edilmektedir. Bu işlem,
f (k , i ) =
( k +1) R ( i +1)2π
M
N
∑ ∑π I ( ρ ,θ )
ρ=
kR
i2
θ=
M
N
(3)
k = 0,1, 2,..., M − 1
i = 0,1, 2,..., N − 1
# doğru sınıflandırılan örnek
# tüm örnekler
CRR =
(4)
Burada sınıflandırıcı olarak Manhattan [10] uzaklığına bağlı
olarak en-yakın komşu sınıflandırıcısı [11] kullanılmaktadır.
Đki özellik vektörü arasındaki Manhattan uzaklığı (5) deki gibi
hesaplanılmaktadır.
k
şeklinde gösterilebilir. Sonuçta M×N‘lik bir özellik
vektörü elde edilmektedir. Şekil 4’de iris imgesine ARP
uygulanmış hali ve bu imge için elde edilen iris kodu
gösterilmektedir.
(a)
(b)
Şekil 4: (a) M × N parçaya bölünmüş iris (M=6,
N=12 için), (b) elde edilen iris kodu
3. Deneysel Sonuçlar
Bu çalışmada önerilen yöntem kızılötesi altında çekilen
imgelere uygun olmadığı için doğal ışık altında çekilen
UBIRIS [8] ve UPOL [9] iris veritabanı kullanılmaktadır.
UBIRIS veritabanı 241 kişiye ait 1877 imgeden oluşmaktadır.
Đmgeler iki farklı grupta toplanmıştır. Đlk guruptaki imgelerde
gürültü miktarı az olup ikinci guruba göre kaliteli imgelerdir.
Đkinci guruptaki imgeler ise doğal ışık altında çekilmiştir.
Odaklama probleminin, kontrast probleminin ayrıca
yansımaların çok olduğu imgelerden oluşmaktadır. Đkinci
veritabanı olarak UPOL iris veritabanı kullanılmaktadır. Bu
veritabanında 3x128 iris imgesi bulunmaktadır. Đmgeler 24 bit
576x768 çözünürlüğündedir. SONY DXC-950P 3CCD
kamera ile çekilmiştir.
Đris ve gözbebeğinin sınırlarını bulmak için Daugman’ın
tümleşik-türev operatörü kullanılmaktadır. Bölütleme
aşamasında önemli olan gözbebeğinin merkezidir çünkü iris
bölgesinin merkezi merkez kabul edilirse ARP kısmında her
bir iris için farklı bölgeler oluşabilir. Bu da tanıma başarımını
etkiler. Bu sebepten dolayı bu çalışmada iris bölgesi
seçilirken gözbebeğinin merkezi merkez kabul edilip buradan
irisin yarıçapına kadar bölge alınmaktadır.
Bölütlenmiş imgeye önişlemler uygulanıp 1-BD
uyguladıktan sonra imge MxN parçaya ayrılmaktadır. Burada
M ve N’ in tespiti için çeşitli deneyler yapılmış ve en iyi
sınıflandırma başarımını veren değerler M ve N için kabul
edilmiştir. Her durumda en sondaki radyal bölümler göz
kapağı veya kirpiklerden etkilenmiş olma ihtimaline karşı
ihmal edilir. Ayrıca ilk radyal kısım gözbebeğini içine aldığı
için bu kısımdan gelen bilgi etkili olmamaktadır. Bu sebepten
ilk radyal kısım da özellik vektöründe dikkate alınmadığından
oluşan özellik vektörü (M-2)× N boyutlarında olmaktadır.
Önerilen yöntem öncelikle tanıma ve doğrulama
algoritmaları tarafından test edilmiştir. Doğru tanıma başarımı
(CRR-Correct Recognition Rate) (4) hesaplanmaktadır.
d ( x, y ) = ∑ x[m] − y[m]
(5)
m=1
Genelde, biyometrik sistemlerde doğrulama başarımı ise iki
ölçüte göre değerlendirilmektedir. Bunlar; yanlış kabul oranı
(6) (false accept rate – FAR) ve yanlış ret oranı (7) (false
reject rate- FRR) dir.
FAR =
# Yanlış kabul
#Kayıtlı örnek
(6)
FRR =
# Yanlış Red
# Kayıtlı örnek
(7)
UBĐRĐS veritabanında tanıma performansını ölçmek için
farklı (M , N ) parametre çifti için elde edilmiş CRR değerleri
Tablo 1 de verilmektedir.
Tablo 1: UBIRIS veritabanından farklı ( M , N ) parametre
çifti için elde edilmiş CRR değerleri
CRR
(%)
M=6
N=18
M=8
N=18
M=10
N=18
M=12
N=18
M=20
N=18
93,95
94,13
94,44
94,18
94,08
Tablodan
görüldüğü
gibi
en
iyi
tanıma
başarımı (M , N ) = (10,18) için elde edilmektedir. Bu
sebepten, sınıflandırma aşamasında bu parametre çiftinin
tercih edilmesi iyi olmaktadır.
(M , N )
parametre
çifti
için
UBĐRĐS
Farklı
veritabanından elde edilen FAR≈0.001 için FAR değerleri ise
Tablo 2 de gösterilmektedir.
Tablo 2: UBIRIS veritabanında farklı (M , N )
parametre çifti için elde edilmiş FRR değerleri
FRR(%)
M=6
N=18
20,70
M=8
N=18
18,26
M=10
N=18
13,41
M=12
N=18
14,33
M=20
N=18
13,86
Tabloda FRR=13,45% ile ( M , N ) = (10,18) parametre çiftinde
en iyi doğrulama başarımı elde edilmektedir. Eğerki 1-BD
yerine [6]’daki çalışmadaki gibi Canny kenar bulma
algoritması kullanılsaydı FRR=25.27 %, tanıma aşamasında
ise CRR=93,64% elde edilmektedir. Burada da anlaşıldığı
gibi 1-BD, Canny kenar bulma ile özellik çıkartımına göre
daha iyi performans sağlamaktadır.
Önerilen yöntemin performansı Daugman [2], Masek [5]
ve Vatsa [12] tarafından önerilen yöntemler ile
karşılaştırılmakta Tablo 3’de ise FRR değerleri verilmektedir.
Tablo 3: UBIRIS veritabanı önerilen ve diğer yöntemler için
elde edilen FRR değerleri
UBIRIS
FRR (%)
Daugman
[2]
12.96
Masek
[5]
18,85
Vatsa
[12]
7.35
Tablo 5: UPOL veritabanında farklı (M , N ) değerleri
için elde edilmiş FRR değerleri
Önerilen
13,41
Tabloda Vatsa’nın yönteminin yüksek başarı verdiği
görülmektedir. Ama Vatsa burada SVM’e dayalı bir
sınıflandırıcı kullandığı için yüksek hesaplama karmaşıklığı
mevcuttur.
UBIRIS veritabanındaki imgelerin yaklaşık %15’inin kötü
pozlanmış ve kötü koşullarda çekilmiş olduğu düşünülürse
elde edilen tanıma ve doğrulama başarımlarının iyi olduğu
görülmektedir. Şekil 5‘de sistemin tanıyamadığı iris
imgelerine örnekler gösterilmektedir.
FRR(%)
M=6
N=18
7,69
M=8
N=18
5,77
M=10
N=18
3,91
M=12
N=18
6,59
M=20
N=18
7,69
Eğer UPOL veritabanı için 1-BD yerine Canny kenar
bulma algoritması uygulanırsa tanıma için CRR=98.44%,
doğrulama aşmasında ise FRR=0.1209 elde edilmektedir. Bu
sonuçlar da 1-BD’nin standart kenar bulma yaklaşımlarından
daha iyi sonuç verdiğini göstermktedir.
4. Sonuçlar
Bu makalede, 1-bit dönüşümüne ve Açısal Radyal
Parçalama’ya dayalı özgün bir iris tanıma sistemi
anlatılmaktadır. Önerilen yöntem çok düşük işlem
kapasitesine sahip olmasına rağmen çok yüksek doğrulama ve
tanıma başarımı vermektedir.
5. Kaynakça
Şekil 5:Tanınamayan örnek imgeler
Kullanılan ikinci veritabanı ise UPOL iris veritabanıdır. Bu
veritabanındaki imgelerde normal ışık altında çekilmiştir.
Tablo 4’de bu veritabanı kullanılanarak değişik
(M , N ) değerleri için elde edilmiş CRR değerleri
görülmektedir.
Tablo 4: UPOL veritabanında farklı (M , N ) değerleri
için elde edilmiş CRR değerleri
CRR(%)
M=6,
N=18
99,22
M=8,
N=18
99,48
M=10
N=18
99,48
M=12
N=18
98,96
M=20
N=18
98,96
Tablodan görüldüğü gibi bu veritabanı için çok yüksek tanıma
başarımları elde edilmektedir. En iyi parametre çifti ise
burada da UBIRIS’teki gibi (M , N ) = (10,18) ’dir.
Tanıyamadığı imgeler ise bölütleme aşamasında ufak
kaymaların olduğu imgelerdir.
Şekil 6: UPOL veritabanında tanınamayan örnek iris
imgesi
Tablo 5’de FAR≈0.0001 için elde edilen FRR değerleri
gösterilmektedir. ( M , N ) = (10,18) parametre çifti için
FRR=0.0391 elde edilmektedir. UPOL veritabanı yüksek
kaliteli imgelerden oluştuğu için çok yüksek tanıma ve
doğrulama performansı elde edildiği görülmektedir.
[1] Muron, J. Possibil, “Human Irıs Structure and Its usages”
Univ. Placki.Olomus, Fac.Rer. Nat, pp.87-95, 2000.
[2] Daugman , “How Irıs Recognition Works”, Prec of 2002
International Conference on Image Proccessing, Vol 1.,
2002.
[3] Wildes, R.P. Asmuth, J.C., “A system for Automated Iris
recognition”, Proc of The Second IEEE Workshop on
Applications of Computer Vision, pp.121-128, 1994.
[4] Boles, W., Boashes, W., “A Human Identification
Technique Using Images of the Iris and Wavelet
Transform”, IEEE Trans. Signal Proc. Vol. 46, no 4,
pp:1185-1188, 1998.
[5] Masek, L., and Kovesi, P., MATLAB Source Code for a
Biometric Identification System Based on Iris Patterns.
Perth, Australia: School Comput. Sci. Softw. Eng., Univ.
Western
Australia,
http://www.csse.uwa.edu.au/pk/studentprojects/
libor/sourcecode.html 2003.
[6] Natarajan, B., Bhaskaran, V., Konstantinides, “LowComplexity Block-Based Motion Estimation Via One-Bit
Transforms”, IEEE Trans. Circuit Syst. Video Technol.,
vol. 7, no. 4, pp. 702-706, 1997.
[7] Chalechale, A., Mertins, A., Naghdy, G., “Edge Image
Description Using Angular Radial Partitioning,” Vision,
Image and Signal Processing, IEE Proceedings, Vol.
151, No. 2, pp. 93-101, 2004.
[8] htttp://iris.di.ubi.pt/.
[9] Dobes,
M.,
Machala,
L.,
Iris
Database,
http://www.inf.upol.cz/iris.
[10] Black, E., "Manhattan Distance", in Dictionary of
Algorithms
and
Data
Structures
[online],
http://www.nist.gov/dads/HTML/manhattanDistance.html
[11] Cover, T.M. and Hart, P.E., “Nearest Neighbor Pattern
Classification,” IEEE Trans. on Inf. Theory, vol. 13, no.
1, pp. 21-27, Jan. 1967.
[12] Vatsa, M., Singh, R., Noore, A., “Improving Iris
Recognition Performance Using Segmentation, Quality
Enhancement, Match Score Fusion, and Indexing”,
Systems, Man, and Cybernetics, Part B, IEEE Trans.,
vol., pp.1021-1035, 2008.