Bant-Sınırlı Faz Korelasyonu Uyumlaması Temelli İris

Bant-Sınırlı Faz Korelasyonu Uyumlaması Temelli İris

Bant-Sınırlı Faz Korelasyonu Uyumlaması Temelli Đris Tanıma
Iris Recognition Based on Bant-Limited Phase Correlation
Sinem Durmuş1, Aysun Taşyapı Çelebi2, M. Kemal Güllü2
1
Mecidiyeköy Genel Müdürlük Türk Telekom A.Ş.
2
Elektronik ve Haberleşme Mühendisliği Bölümü
Veziroğlu Yerleşkesi, Kocaeli Üniversitesi, 41040, Đzmit/Kocaeli
[email protected], [email protected], [email protected]
Özetçe
Bu bildiride, kızılötesi iris görüntülerinde faz korelasyonu
temelli bir iris tanıma yöntemi anlatılmaktadır. Đris
görüntüsünde gözbebeği bölgesi kenar bulma temelli bir
yaklaşımla tespit edilerek iris örüntüsü elde edilmektedir.
Kutupsal
koordinat
dönüşümü
ile
iris
örüntüsü
standartlaştırılmakta ve yerel histogram eşitleme ile
iyileştirilmektedir. Bant sınırlı faz korelasyonu [8]
kullanılarak veritabanında iris uyumlaması yapılmaktadır.
Yöntem CASIA Đris Veritabanı V3.0 [9] üzerinde denenmiş ve
tanıma başarımı sonuçları verilmiştir.
Abstract
In this paper, an iris recognition method based on phase
correlation works on infrared iris images is explained. Pupil
region is obtained using an edge detection based method and
iris pattern is extracted. Iris pattern is normalized utilizing
polar coordinate transform and enhanced using local
histogram equalization. Iris matching is performed on
database using band-limited phase correlation [8]. The
method is evaluated on Casia Iris Database V3.0 [9] and
results of recognition performance are given.
1. Giriş
Son yıllarda biyometrik tanıma sistemlerine olan ilgi gittikçe
artmaktadır. Bu sistemlerden güvenilirliği ve kullanışlılığı en
yüsek olan iris tanıma sistemleridir [2]. Đrisin kimlik tespiti
için kullanılması fikri, ilk kez ortaya göz doktoru olan
Alphonse Bertillon [1] tarafından ortaya atıldı. Daha sonra
1980’lerde ise Dr. Leonard Flom ve Dr. Aran Safir, her
bireyin irisinin tek olduğunu ispatlayarak bu fikrin patentini
aldılar. 1991 de Cambridge Universitesinden Prof. Dr. John
Daugman [2] ve ekibi Dr. Leonard Flom ve Dr Aran Safir ile
birlikte çalışarak iristen bir kod oluşturan ve tanıma işlemini
gerçekleştiren bir algoritma geliştirdiler ve bu teknoloji için
patent aldılar.
Bir iris tanıma sistemi temelde üç aşamadan oluşmaktadır.
Đlk aşamada imgeden iris bölgesi tespit edilmektedir. Đkinci
aşamada ise iris bölgesinden kişiye özel ayırtedici iris kodu
çıkartılmaktır. Son aşamada da seçilen benzerlik ölçütüne
göre sınıflandırılma yapılmaktadır. Daugman’ın yöntemi [2]
iris kodlarını temel almaktadır. Önişleme adımında irisin iç ve
dış sınırları bulunur. Tümleşik-türev operatörü kullanılarak
irisin merkezi ve çapı, sonra da türev operatörleri kullanılarak
gözbebeği belirlenir, bulunan iris bölgesi kartezyenden
kutupsal koordinatlara dönüştürülür. Özellik çıkarımında,
değiştirilmiş karmaşık değerli 2-B Gabor dalgacıkları
kullanılır. Eşleştirme için, mantıksal özel VEYA işlemini
kullanan Hamming Mesafesi (HM) hesaplanır ve mükemmel
eşleşme için HM sıfır olmalıdır. Algoritma %99.9’dan daha
büyük bir doğruluk verir. Ayrıca iris tanıma için gereken
zaman 1 saniyeden daha kısadır. Yöntemin patenti alınmış
olup birçok firma kendi iris tanıma ürününde bu yöntemi
kullanmaktadır.
Wildes [3], irisi bölütlemek amaçlı Gauss filtresi
kullanmaktadır ve irisi kodlamak için de Laplacian of
Gaussian süzgeç kullanmaktadır. Boles ve Boashash [4] ise
sıfır geçişlerini temel alan yeni bir yaklaşım sunmaktadır.
Çalışmada önce kenar algılama ve diğer bilinen imge işleme
algoritmaları kullanılarak iris bölgesinin yeri belirlenip,
standartlaştırılmaktadır. Đristeki eş merkezli daireler üzerinde,
çeşitli çözünürlük seviyelerinde, dalgacık dönüşümünün sıfır
geçişleri hesaplanmaktadır. Elde edilen tek boyutlu işaretler,
mesafe işlevi kullanılarak karşılaştırılmaktadır. Bu sistem,
gürültülü durumlarla olduğu kadar ışıklandırmadaki
farklılıklarla da başa çıkabilmektedir. Ayrıca sözkonusu
algoritma, gözün göz yuvası içinde döndürülmesinden ve
ölçekten bağımsızdır.
Masek çalışmasında [5] 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, kızılötesi ışık altında çekilmiş iris
görüntülerinde iris bölgesinin elde edilebilmesi için, Canny
kenar bulma algoritması temelli bir yaklaşım kullanılmaktadır.
Daha sonra Daugman’ın lastik levha (rubber sheet) modeli
temel alınarak bulunan iris bölgesi standartlaştırılmaktadır ve
yerel histogram eşitleme kullanılarak iris bölgesi
iyileştirilmektedir. Gözkapakları ve kirpiklerin etkisini
azaltmak için standartlaştırılmış iris imgesinden, orijinal iris
imgesinde sağ ve soldaki 90 derecelik alanlara karşılık gelen
bölgeler alınıp şablon olarak kullanılmaktadır. Đris
imgelerindeki anlamlı faz bilgisi Fourier Dönüşümü ile ortaya
çıkartılıp, faz korelasyonu temelli bir eşleştirme yöntemiyle
karşılaştırılarak karar verme işlemi gerçekleştirilmekte ve faz
korelasyonunun iris
değerlendirilmektedir.
tanıma
sistemlerindeki
başarımı
2. Önerilen Yöntem
2.1. Đris ve Gözbebeğinin Bölütlenmesi
Kızılötesi iris görüntülerinde irisin fiziksel yapısından dolayı
gözbebeği bölgesi koyu, iris bölgesi açık tonlarda olmak
üzere, bu iki bölge arasında yüksek karşıtlık oluşmakta ve
belirgin kenar gözlemlenmektedir. Gözbebeği sınırlarını elde
etmek için iris imgesinin Canny operatörü [6] kullanılarak
kenar haritası çıkartılmaktadır. Kenar bilgilerini içeren bu ikili
imge içerisinde birbirine bağlantılı olan piksellerden oluşan
her bir nesne etiketlenmektedir. Etiketlenen her bir nesnenin
eni, boyu ve başlangıç koordinatı bulunmaktadır.
Veritabanındaki gözbebeklerinin çapları 40 ile 150 piksel
arasında değişmektedir. Bu çap bilgisine dayanarak gözbebeği
seçilmektedir. Böylece gözbebeğinin merkezi, eni, boyu ve
başlangıç
koordinatları
belirlenmektedir.
Kullanılan
veritabanında irisin iç ve dış sınırları arasındaki genişlik 45-60
piksel arasında değişmektedir. Đriste bulunan ve kişileri ayırt
etmede kullanılan benzersiz bilgi yoğun olarak gözbebeğine
yakın bölgede bulunduğundan irisin dış sınırının bulunması
eşleştirme performansını etkilemeyecektir. Bu nedenle
çalışmada iris örüntüsü olarak, gözbebeği sınırından dışarıya
doğru 50 piksel uzunluğunda bir bölge kullanılmaktadır.
Đmgelerin çoğunda gözbebeğinin kenarları tam olarak
belirlense de bazı imgelerde kirpikler gözbebeğine
karışmaktadır ve gözbebeğinin sınırları tam olarak
belirlenememektedir. Yapılan çalışmada bu hatalı kenar bulma
etkisini yok etmek için etiketlenen nesneler arasında
gözbebeği olarak tahmin edilen nesnenin düşey eksendeki
maksimum uzunluğunun (boyunun), yatay eksendeki
maksimum uzunluğuna (enine) oranı hesaplatılmaktadır ve bu
oran 1,07’den daha büyükse gözbebeği koordinatları
bulunurken sadece yataydaki maksimum uzunluk bilgisi ve
gözbebeğinin alt sınırı dikkate alınmaktadır. Böylelikle
genellikle
yukarıdan
giren
kirpiklerin
etkisi
önemsenmemektedir. Gözbebeğinin dairesel yapıda olduğu
kabul edilerek, gözbebeğinin düşeydeki üst sınırı, alt
sınırından maksimum yatay uzunluk kadar yukarıda kabul
edilerek gözbebeğinin sınırları bulunmaktadır. Bulunan
sınırlardan itibaren dışarıya doğru kesilen 50 piksellik bir
bölge iris örüntüsü olarak kullanılmaktadır.
Şekil 1’de Canny kenar tarama ile gözbebeği sınırları tam
olarak bulunabilen ve bulunamayan iris örüntülerinin örnekleri
verilmektedir.
(b)
Şekil 1: CASIA veritabanından alınmış orijinal imge örnekleri,
bu imge örneklerine Canny kenar bulma uygulanması sonucu
oluşan kenar bilgileri. (a) gözbebeği sınırlarının doğru olarak
bulunduğu, (b) kirpik etkisinden dolayı gözbebeği sınırlarının
doğru belirlenemediği imgeler.
2.2. Đrisin Standartlaştırılması
Tanımada kullanılacak iris bölgesinin göz imgesinden
başarıyla ayrılmasından sonraki adım, karşılaştırmaların
yapılabilmesi için iris bölgesinin sabit boyutlu bir yapıya
dönüştürülmesidir. Bunun için Daugman’ın lastik levha
modeli kullanılmaktadır. Bu model, şekil 2’de gösterildiği gibi
r , irisin iç ve dış sınırları arasındaki uzunluk ve θ , [0, 2π ]
aralığında bir açı olmak üzere, iris bölgesindeki her noktayı bir
çift kutupsal koordinata ( r , θ ) dönüştürmektedir. Đris
bölgesinin
kartezyen
koordinatlarından
( x, y )
standartlaştırılmış kutupsal gösterime dönüştürülmesi,
x( r ,θ ) = (1 − r ) x p (θ ) + rx1 (θ )
y (r , θ ) = (1 − r ) y p (θ ) + ry1 (θ )
olmak üzere,
I ( x(r , θ ), y (r , θ )) → I (r , θ )
(1)
şeklinde modellenmektedir. Burada I (x, y ) , ( x, y )
koordinatlarındaki piksel değerini; I (r ,θ ) standartlaştırılmış
(
)
imgede (r ,θ ) koordinatlarındaki piksel değerini, x p , y p ve
(xt , yt )
ise
θ
yönündeki
gözbebeği
ve
iris
kenar
koordinatlarını göstermektedir. Lastik levha modeli, sabit
boyutlu standart bir gösterim oluşturmak adına, gözbebeği
büyümesini ve boyut tutarsızlıklarını da dikkate almaktadır.
Bu şekilde iris bölgesi, gözbebeği merkezi referans noktası
olmak üzere, iris sınırında kesilen esnek bir lastik levha
şeklinde modellenmektedir.
(a)
Şekil 2: Daugman’ın Lastik Levha (Rubber-Sheet) Modeli
Bu çalışmasında r standart olarak 50 seçilmekte ve birer
derecelik açılarla [0, 2π ] aralığında taranarak dönüştürme
işlemi gerçekleştirilmektedir.
Standartlaştırma sonrasında kutupsal koordinatlara
dönüştürülen iris bölgesine yerel histogram eşitlenmesi
uygulanarak iyileştirme işlemi yapılmaktadır. Yerel histogram
eşitlemesinde her bir piksel için, merkezinde kendisinin
bulunduğu 25x25 piksellik bir imge bloğu üzerinde histogram
eşitlemesi uygulanarak pikselin yeni değeri hesaplanmaktadır.
Şekil 3(c)’deki standartlaştırılmış ve yerel histogram eşitlemesi
uygulanmış iris imgesinin, Şekil 3(b)’deki standartlaştırılmış
iris imgesine göre çok daha fazla ayrıntı içerdiği görülmektedir
verimli frekans bandı genelde
k2
yönünden ziyade
k1
yönünde daha geniştir.
Şekil 4: (a) Uzamsal düzlemde (b) frekans düzleminde
standartlaştırılmış iris imgesi [8]
0 ≤ K1 ≤ M1 ve 0 ≤ K 2 ≤ M 2 olmak üzere, iris dokusunun
anlamlı frekans bandının sınırlarının k1 = − K1 , ⋅⋅⋅, K1 ve
k2 = − K 2 , ⋅⋅⋅, K 2
Şekil 3: (a) Bölütlenmiş iki ayrı iris imgesi, (b)
standartlaştırılmış iris imgeleri (c) standartlaştırılmış iris
imgelerine yerel histogram eşitlemesi uygulanmış imgeler.
2.3. Faz Korelasyonu
Faz korelasyonu, iki işaretin benzerliğinin bulunmasında
kullanılmaktadır [7]. Temel olarak iki işaret arasındaki
benzerliği bulmak için Fourier dönüşümünün özelliklerini
kullanmaktadır. Đki imge arasındaki faz korelasyonu aşağıdaki
eşitlikle hesaplanmaktadır.
 F ( u, v ) × F * ( u, v ) 
2

S = F −1  1
*
 F1 ( u, v ) × F2 ( u, v ) 
(2)
Bu eşitlikte F1 ( u, v ) ve F2 ( u, v ) iki ayrı imgenin iki boyutlu
ayrık
Fourier
dönüşümünü
Transform-DFT) gösterirken; F
(AFD)
−1
(Discrete
Fourier
, iki boyutlu ters ayrık
Fourier dönüşümünü, * ise karmaşık eşleniği ifade etmektedir.
Đris imgesinde en anlamlı faz bilgisi belirli bir frekans
bandında bulunduğu için faz korelasyonu yerine bant-sınırlı
faz korelasyonu (Band-limited Phase-Only Correlation BLPOC) işlevi kullanılması [8]’da önerilmektedir. Bu
yaklaşımla, sınırlı sayıda frekans bileşeni kullanılarak faz
korelasyonu yapılmakta ve faz korelasyonunun ayırt ediciliği
arttırılmaktadır. Standartlaştırılmış iris imgeleri yüksek
frekanslarda anlamsız faz bileşenleri içermektedir ve Şekil
4’de gösterildiği gibi standartlaştırılmış iris imgesindeki
olduğu
varsayıldığında,
frekans
spektrumunun etkin boyutu L1 = 2 K1 + 1 ve L2 = 2 K 2 + 1
olmaktadır. Bant-sınırlı faz korelasyonu uyumlamasında
K1 / M1 ve K2 / M 2 , alınan iris özelliklerinin frekans
katkısını kontrol ettikleri için en önemli kontrol
parametreleridir. Kullanılan veritabanına göre, bu parametreler
için uygun değerlerin seçilmesi gerekmektedir.
3. Deneysel Sonuçlar
Bu çalışmada önerilen yöntemin başarımını test etmek için
CASIA Đris Veritabanı V3.0 kulanılmaktadır [9]. Bu veritabanı
CASIA-IrisV3-Interval
veritabanı,
CASIA-IrisV3-Lamp
veritabanı ve CASIA-IrisV3-Twins veritabanı olmak üzere üç
bölümden oluşmaktadır. Bu veritabanındaki bütün göz
imgeleri kızılötesi ışık altında elde edilmiş 8-bitlik gri-tonlu
JPEG formatında kayıtlı imgelerdir. Veritabanı oluşturulurken
en az bir ay aralıklarla aynı kişiden birden fazla göz imgesi
elde edilmiştir. Đmgelerin çözünürlükleri 320x280 pikseldir.Bu
çalışmada ise yukarıda değinilen veritabanlarından CASIAĐrisV3-Interval-R veritabanı kullanılmaktadır. Bu veritabanı,
249 ayrı kişiye ait sol ve sağ göz imgelerinden oluşmaktadır.
Bu veri kümesinde her kullanıcının eşit sayıda göz imgesi
bulunmamaktadır. Bu çalışmada sağ iris imgeleri
kullanılmakta olup 2’den az sayıda göz imgesi bulunan
kullanıcılar hesaba katılmamaktadır. Bu durumda kullanılan
veritabanı 174 kişiye ait 1251 gri ölçekli göz imgesinden
oluşmaktadır.
Bu çalışmada karşılaştırma için ilk aşamada faz
korelasyonu işlevi kullanılmaktadır. Öncelikle 360 derecelik
tüm iris kodu kullanılarak yapılan karşılaştırmada %97.12
başarım elde edilmektedir. Başarımı arttırmak amacıyla, iris
içerisindeki kirpik ve gözkapağı etkisini minimuma indirecek
şekilde gözbebeğinin sağ ve sol taraflarından 90º’lik açılarda
iki bölge alınması yaklaşımı uygulanmaktadır. Sol ve sağ yarı
bölgeler için faz korelasyonu kullanarak ayrı ayrı uyumlama
yapılmakta ve en büyük uyumlamanın elde edildiği değer,
sonuç değeri olarak belirlenmektedir. Bu şekilde elde edilen
başarım ise %97,52 olarak elde edilmektedir.
Faz korelasyonunun sınıflar arası ayırt ediciliğini
arttırmak için en anlamlı faz bilgisinin bulunduğu belirli bir
frekans bandını kullanan bant-sınırlı faz korelasyonu yöntemi
denenmiştir [8]. ( K1 / M1 , K 2 / M 2 ) parametre kümeleri için
(0.5,0.5) değerleri kullanılarak elde edilen başarımlar Tablo
1’de gösterilmektedir.
Tablo 1: Eşleştirme için bant sınırlı faz
korelasyonunun kullanılması durumunda elde edilen
başarım oranları
Maske Yapısı
Açı
360°
180°
60°-60°
60°-60°
90°-90°
120°-120°
Başarım Oranı
%98.64
%98.40
%98.72
%99.12
%99.20
% 99.20
Tablo-1’deki sonuçlardan görüldüğü gibi en iyi başarım 90º ve
120º’lik bölgelerin eşleştirmede kullanılması ile elde
edilmektedir. Her ne kadar bu iki açı değerindeki bölgeler için
aynı başarım sonucu elde edilse de kullanılan veri miktarının
daha az, dolayısıyla işlem süresinin daha kısa olmasından
dolayı bu çalışmada 90º’lik bölgeler kullanılarak eşleştirmenin
yapılması uygun görülmüştür. Ayrıca 90º’lik bölgeler için
ve
( K1 / M 1 , K 2 / M 2 ) = (0.6, 0.3)
parametre
kümeleri
( K1 / M 1 , K 2 / M 2 ) = (0.6, 0.2)
kullanılarak eşleştirme gerçekleştirilmiş ve başarımın
%99.12’ye gerilediği görülmüştür.
Deneysel sonuçlar, [8]’daki çalışmada da verildiği gibi,
iris tanımada faz korelasyonunu kullanmak yerine bant sınırlı
faz korelasyonunun kullanılmasının başarımı arttırdığı
göstermektedir.
4. Sonuçlar
Bu çalışmada, faz korelasyonu temelli yüksek başarım veren
bir iris tanıma sistemi önerilmektedir. Bu yöntemde kenar
bulma algoritması kullanılarak iris bölgesi bölütlenip bant
sınırlı faz korelasyonu ile sınıflandırılmaktadır. Yöntem
kısılötesi görüntülerde iris tanıma için yüksek tanıma
başarımları vermektedir.
5. Kaynakça
[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] Canny, J., “A computational approach to edge detection”,
IEEE Transactions on Pattern Analysis and Machine
Intelligence, 8:679–698, Kasım (1986).
[7] O. Urhan, M.K. Güllü, S. Ertürk, “Modified PhaseCorrelation Based Robust Hard-Cut Detection with
Application to Archive Film”, IEEE Transactions on
Circuits and Systems for Video Technology, 6, 753-770,
2006.
[8] Miyazawa, K., Ito, K., Aoki, T., Kobayashi, K.,
Katsumata, A., “An Iris Recognition System Using
Phase-Based Image Matching”, IEEE
International
Conference on Image Processing, 325-328, (2006).
[9] Chinese Academey of Sciences- Inst. of Automation,
“Casia
Iris
Image
Database”,
http://www.sinobiometrics.com