Aycan YÜKSEL Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 15/04
Transkript
Aycan YÜKSEL Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 15/04
Aycan YÜKSEL Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 15/04/2010 İçerik Giriş Genel Sistem Modeli Damar Görüntüleme Teknikleri Damar Veritabanı Özniteliklerin Çıkarımı ve Eşleştirme Sonuçlar Damar Biyometrisi Teklik İkizlerde bile damarlar birbirinden farklıdır. Değişmezlik İnsan yaşamı boyunca değişmez, sadece kalınlaşabilir. Güvenilirlik Deri altındadır. Kopyalanması diğer biyometrik tekniklere göre daha zordur. Uygulama Alanları Güvenlik sistemleri Giriş kontrolünün yapıldığı her tür sistemde kullanılabilir. Ağ ya da bilgisayara giriş Banka uygulamaları, ATM, kiosk Bank of Tokyo Mitsubishi(BTM)’ de Fijutsu’nun damar biyometrik sistemini halihazırda kullanılıyor. Genel Sistem Modeli Imgelerin elde edilmesi Ellerin Çakıştırılması Ve ROI Seçimi Veri Toplama Damar Öznitelik Çıkarımı Damarlarn İkilileştirilmesi Ve İnceltilmesi LEM oluşturma LHD Uzaklığı CSM Ölçütü ICA Kimlik Tespiti Kaynak Özellikler ve Sonuçlar Y. Ding ve diğerleri Veritabanı: 48 kişi* 5 imge = 240 [2] Yöntem: Damar haritası üzerinde damarların bitiş ve çakışma noktalarına dayalı bir öznitelik çıkarım algoritması. Başarım: %99.1 doğruluk L. Wang ve diğerleri Veritabanı: 30 kişi* 9 imge = 270 [3] Yöntem: Zhang and Suen iskelet çıkarım algoritması ve LEM Başarım: %0 yanlış eşleşme hatası ve % 0 yanlış reddetme hatası Z. Wang ve diğerleri Veritabanı: 100 kişi * 5 imge = 500 [4] Yöntem: Hausdorff ve LEM ve Gabor yöntemi Başarım: Hausdorff 58%, LEM 66%, Gabor 80% K. A. Toh ve diğerleri Veritabanı:50 kişi*10 imge*2 el =1000 [5] Yöntem: Aya damarları ve aya izi bilgisi birlikte kullanımı. Farklı kernel tipleri için SVM sınıflandırıcısı için sonuçlar verilmiş. Aya damarları ve aya izi sonuçları SUM kuralı ile birleştirilmiş. Başarım: RBF kerneli ile birlikte SVM sonuçlarında en iyi genelleme elde edildiği bildirilmiş. Görüntüleme Teknikleri Near-infrared (NIR) Görüntüleme 700-1000 nm aralığında çalışır. El, el ayası ve bilekteki damarları görüntülemede başarıdır. Dış ortam değişikliklerine karşı daha toleranslıdır. Fakat, el yüzeyindeki kıllar, elin kalınlığı gibi sorunlar mevcuttur. Görüntüleme Teknikleri Far-infrared (FIR) Görüntüleme 8-14 μm aralığında çalışır. Elin arka yüzeyindeki büyük damaları görüntülemede iyidir. Dış ortam değişikliklerine karşı daha duyarlıdır. El Damar Veritabanı Şu anda 100 kişi, 30 ve 100 kişi üzerinde çalışmalar yapıldı. Her koşulda 3 imge kaydedildi: Olağan koşullarda, Bir çantanın 1 dakika boyunca taşınmasından sonra, Eli açıp kapamaya dayanan bir egzersizin bir dakika boyunca yapılmasından sonra, Elin yüzeyinde bir buz parçasının tutulmasından sonra. Toplamda sol el için 100x4x3 Ayrıca, sağ el için sadece normal koşulda 3 imge. a) Normal koşulda, b) Çanta taşıdıktan sonra c) Fiziksel aktiviteden sonra, d) Buz tuttuktan sonra. El İmgeleri ve İlgili Damar Alanları Yörük Düzgeleme Algoritması *6, 7+. Kullanılan Yöntemler Bağımsız Bileşenler Analizi (Independent Component Analysis-ICA) Griseviye damar imgelerine direk uygulandı. Doğru Ayrıt Haritası (Line Edge Map-LEM) İkilileştirme Gürültü azaltma İskelet çıkarımı Damar çizgi bölütlerinin çıkarılması LHD (Line Segment Hausdorff Distance) Hesaplanması Eşikleme Yöntemlerinin Karşılaştırmalı Sonuçları Başarım Niblack Bernsen Yasuda Wang [3] Otsu 0.69 0.86 0.94 0.74 0.78 Yanlış Sınıflama Hausdorff Hatası 0.30 0.13 0.05 0.25 0.21 15.85 15.03 12.31 14.86 29.65 MHD (Modified Hausdorff Distance) 1.16 0.41 0.27 0.81 2.04 LEM Çıkarım Aşamaları a) NIR bantta bir damar imgesi, b) Yasuda eşiklemesinden sonraki imge, c) Gürültü azaltma algoritmasından sonraki imge, d) İnceltme algoritmasından sonraki imge. LEM Çıkarım Aşamaları LHD Uzaklığının Hesaplanması d θ m il , t lj l l d m // i , t j d m il , t lj l i d m ,t l j W d m , t a h(M , T ) l l l i θ 1 m il M l 2 l j l ml i m il M l l ml min t l T l d mil , t lj d 2// mil , t lj d 2 mil , t lj i j H LHD Ml , Tl max h Ml , Tl , h Tl , Ml a) Paralel ve dik uzaklıklar, b) Paralel uzaklığın sıfır olduğu durumlar a) El damar imgesi b) Doğru Ayrıt Haritası d θ mil , t lj tanθ Doğruları paralel yapmak için kısa olanı orta noktasından aradaki açı kadar döndür. İki doğruyu da x eksenine paralel olacak şekilde döndür. Paralel ve dik uzaklıkları hesapla. d // mil , t lj min l //1 , l //2 Sonuçlar ICA1 Sınama Kümesi Tanıma Oranı ICA2 EHO Tanıma Oranı LEM EHO Çoğunluk Oylaması Borda Sayımı Toplama Dayalı T. Çarpıma Dayalı T. Tanıma Oranı EHO Tanıma Oranı Tanıma Oranı Tanıma Oranı Tanıma Oranı N1,N2,N3 67.77 22.31 94.44 4.25 79.62 10.55 87.77 87.77 92.77 81.11 B1,B2,B3 65.18 23.99 89.25 5.19 80.74 12.96 85.92 87.03 91.11 82.22 A1,A2,A3 62.59 25.28 88.51 6.66 79.62 11.39 87.03 88.14 90.37 80.74 I1, I2, I3 48.88 30.14 79.25 11.37 72.22 16.94 75.55 75.92 78.88 66.29 Tanıma başarısının tek eğitim kümesi kullanılan karşılaştırmalı sonuçları. (EHO: Eşit Hata Oranı, T: Tümleştirme) Sonuçlar ICA1 Sınama Kümesi ICA2 LEM Çoğunluk Oylaması Borda Sayımı Toplama Dayalı T. Çarpıma Dayalı T. Tanı ma Oranı EHO Tanı EHO ma Oranı Tanıma Oranı EHO Tanıma Oranı Tanıma Oranı Tanıma Oranı Tanıma Oranı N1,N2,N3 82.22 22.01 97.77 1.26 81.11 11.14 93.33 92.22 97.77 91.11 B1,B2,B3 78.51 21.48 94.44 2.26 88.14 9.28 94.81 95.18 96.29 91.11 A1,A2,A3 77.03 23.07 96.66 2.22 87.40 7.40 96.29 97.40 98.14 93.33 I1, I2, I3 29.65 84.07 9.57 77.40 13.30 83.33 85.55 84.81 74.44 59.25 Tanıma başarısının çift eğitim kümesi kullanılan karşılaştırmalı sonuçları. (EHO: Eşit Hata Oranı, T: Tümleştirme) Kaynakça [1] Jain, A., K., Flynn, P., and Ross A., A., “Handbook of Biometrics”, Springer, 2008. [2] Ding, Y., Zhuang, D., and Wang, K., “A Study of Hand Vein Recognition Method”, Proceedings of IEEE Conference on Mechatronics & Automation, 2005. [3] Wang, L., Leedham, C.G, and Cho, S.-Y., “Infrared imaging of hand vein patterns for biometric purposes”, The Institution of Engineering and Technology, Computer Vision, 1, (3–4), pp. 113–122, 2007. [4] Wang, Z., Zhang, B., Chen, W., and Gao, Y., “A performance Evaluation of Shape and Texture based methods for Vein Recognition”, Congress on Image and Signal Processing, IEEE 2008. [5] Toh, K.,A., Eng, H., L., Choo, Y., S., Cha, Y., L, Yau, W., Y., and Low, K., S., “Identity Verification Through Palm Vein and Crease Texture”, Lecture Notes In Computer Science, 2005. [6] Konukoglu, E., Yorük, E., Darbon, J., and Sankur, B., Shape-Based Hand Recognition, IEEE Trans. on Image Processing, 15(7), 1803-1815, 2006. [7] Yoruk, E., Dutagaci, H., and Sankur, B.,Hand Biometry, Image And Vision Computing, 24(5), 483-497, 2006. [8] Wang, K., Ding, Y., and Wang, D., “A study of hand vein based identity authentication method”. Science and Technology Review,23(1): 35-37, 2005. [9] http://www.watec.net/english/bw/wat_902h2_h3.html [10] Gao, Y. and Leung, M.K.H., ”Line Segment Hausdorff Distance on Face Matching”. Pattern Recognition. 35 (2002) 361-371 [11] Sezgin, M., Sankur, B, “Survey over Image Thresholding Techniques and Quantitative Performance Evaluation,” Journal of Electronic Imaging, 13(1), 146-165, 2004. [12] Hyvarinen, A. and Oja, E., “Independent component analysis: Algorithms and applications,” Neural Networks 13 (4-5), 411-430, 2000. [13] Gokberk, B., Salah, A.A., Akarun, L., "Rank-based decision fusion for 3D shape-based face recognition", Audio- and Video-based Biometric Person Authentication (AVBPA), Terrytown, New York, July 2005.