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  tanθ 

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.