EXTRA O SEGMENTA O RECONHECIMENTO DA RIS1tavares/downloads/publications/artigos/Edno... · Edno José Bozoli Junior, Osvaldo Severino Junior e João Manuel R. S. Tavares 2 1. INTRODUÇÃO

CMNE/CILAMCE 2007 Porto, 13 a 15 de Junho, 2007

© APMTAC, Portugal 2007

ESRIC – EXTRACÇÃO, SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS A PARTIR DO CENTRO DA PUPILA

Edno José Bozoli Junior1*, Osvaldo Severino Junior1 e João Manuel R. S. Tavares2

1: Departamento de Ciência da Computação, Faculdade de Filosofia, Ciências e Letras de Catanduva – IMES FAFICA

Rua Maranhão 898, 15.800-020 Catanduva - São Paulo – BRASIL e-mail: [email protected], [email protected] web: http://www.fafica.br

2: Departamento de Engenharia Mecânica e Gestão Industrial,

Faculdade de Engenharia da Universidade do Porto Laboratório de Óptica e Mecânica Experimental,

Instituto de Engenharia Mecânica e Gestão Industrial Rua Dr. Roberto Frias s/n, 4200-465 Porto – PORTUGAL

e-mail: [email protected] web: http://www.fe.up.pt/~tavares

Palavras-chave: Segmentação, reconhecimento da íris, transformada de wavelets, análise em componentes principais.

Resumo. O reconhecimento de pessoas por meio da íris tem sido bastante promissor nas últimas décadas, uma vez que a mesma apresenta características únicas e bastante relevantes. Uma dessas características é a existência de um tecido que aparenta dividir a íris em forma radial, que recebe esta forma permanente no oitavo mês de gestação e não sofre nenhuma influência genética; tal, significa que mesmo os gémeos idênticos têm íris diferentes. A íris, também, não está sujeita aos efeitos do envelhecimento, tornando-a um identificador estável e seguro, [1]. Este trabalho propõe um novo método para a segmentação da íris em imagens. O método, inicialmente identifica o centro e o raio da pupila, com uso de filtros morfológicos de abertura e de fecho, [2]. Após esta identificação, utilizando os valores de cores padrão referentes à área da pupila, captura a região inferior correspondente à íris e extraem-se características de textura utilizando-se a transformada de wavelets. Para validação da metodologia proposta consideraram-se cinco aplicações com diferentes níveis de iluminação: a primeira, com imagens originais constituídas do banco CASIA; a segunda, com as imagens segmentadas; a terceira, com as imagens segmentada utilizando a transformada de wavelets na horizontal; a quarta, com as imagens segmentadas utilizando a transformada de wavelets na vertical; e a quinta e última aplicação, com as imagens segmentadas utilizando a transformada de wavelets na diagonal. Os resultados obtidos demonstram a eficiência da metodologia proposta com precisão de 75% de acerto nas imagens extraídas da região da íris, utilizando a transformada de wavelets na horizontal.

Edno José Bozoli Junior, Osvaldo Severino Junior e João Manuel R. S. Tavares

2

1. INTRODUÇÃO O reconhecimento de pessoas por meio da íris tem sido bastante promissor nas últimas décadas, uma vez que a mesma apresenta características únicas e bastante relevantes. Uma dessas características é a existência de um tecido que aparenta dividir a íris em forma radial, que recebe esta forma permanente no oitavo mês de gestação e não sofre nenhuma influência genética; isto significa que mesmo os gémeos idênticos têm íris diferentes. A íris, também não está sujeita aos efeitos do envelhecimento, o que a torna um identificador biométrico bastante estável e seguro, [1]. Já diz o ditado que “O olho é o espelho da alma”, não sendo por isso surpresa que a íris carrega características peculiares de cada pessoa, sendo o seu aspecto visual o resultado directo da sua estrutura em multicamadas, que é complexa e formada por músculos que controlam as acções da pupila, vasos sanguíneos e pigmentação dos tecidos epiteliais, [2].

2. OBJECTIVOS

O objectivo principal deste trabalho é segmentar a região da íris em imagens capturando informação significativa que permita o seu reconhecimento automático, Figura 1.

Figura 1: Demonstração da extracção da região da íris numa imagem.

3. METODOLOGIA

O método desenvolvido neste trabalho inclui a identificação do centro e do raio da pupila, com uso de filtros morfológicos de abertura e de fecho, [4]. Posteriormente, a identificação e separação da região inferior da íris utilizando os pontos do centro e do raio. Por último, a extracção de características da íris utilizando um método de textura baseado na transformada de wavelets.

4. DESENVOLVIMENTO

Analisando-se imagens do Banco CASIA, [3], identificam-se valores semelhantes de pixels da região da pupila. Substituindo-se esses valores pelo valor 255 (usualmente, correspondente à cor branca na escala de cinza), a região da pupila torna-se uma zona de


3

concentração de pixels de cor branca, Figura 2-b. Para tornar a forma da região composta por esses pixels brancos mais próxima do formato da pupila, aplicam-se dois filtros morfológicos. O primeiro, o filtro morfológico de fecho, [4], Figura 2-c, e o segundo, o filtro morfológico de abertura, [4], Figura 2-d. As aplicações destes filtros fazem com que os valores dos pixels que compõem a íris sejam alterados. Para que não haja a perda das características originais da íris, toma-se a imagem original, Figura 2-a, e troca-se os valores dos pixels que compõem a pupila, constituídos pelos pixels de cor branca da Figura 2-d, pelo valor 255 gerando uma nova imagem, ver Figura 2-e.

a) b) c) d) e)

Figura 2: Etapas do processamento adoptado: a) imagem original, b)-e) imagens correspondentes às etapas envolvidas.

4.1. Localizar o Centro e Determinar o Raio da Pupila

Para localizar o centro da pupila, varre-se a imagem verticalmente de cima para baixo para identificar o primeiro pixel da pupila, denominado por pl (de primeira linha), e o último pixel da mesma, designado por ul (de última linha), e calcula-se o ponto médio entre pl e ul, denominado por cm (de coluna média) do centro da pupila, Figura 3. Para encontrar o ponto lm (de linha média) do centro da pupila, fixa-se o ponto cm e procura-se o primeiro ponto pc (de primeira coluna) e o ponto uc (de última coluna) do centro da pupila. Desta forma, encontra-se o ponto médio entre pc e uc que define lm. Obtém-se, desta maneira, o centro de coordenadas (lm, cm) da pupila, ver Figura 3. O raio r da pupila é definido pela subtracção dos pontos pl e lm, Figura 3.

Figura 3: Identificação dos pontos usados para determinar o centro e o raio da pupila.

pc

uc ul

pl

centro(lm,cm)

cm

lm


4

4.2. Localização da Íris

A metodologia adoptada neste trabalho propõe localizar a parte inferior da íris pelo facto da pálpebra e os cílios causarem interferências na extracção de característica da íris a partir da imagem original. Assim, para localizar a área correspondendo à parte inferior da região da íris, toma-se os valores r (do raio da pupila) e (lm, cm) (do ponto que corresponde ao centro da pupila) e aplica-se o seguinte algoritmo, Figura 4-a: Se r < 25 então largura = 2 * r Senão largura = r p1_x = lm p1_y = cm – r – largura p2_x = lm p2_y = cm + r + largura pm_x = lm + r + largura Portanto, a região da parte inferior da íris, Figura 4-b, é definida pelo rectângulo de vértices opostos (p1_x, p1_y, pm_x, p2_y).

a) b)

Figura 4: Pontos utilizados para identificar a área de interesse na imagem original.

4.3. Extracção de Características

Apesar de existirem muitas técnicas de análise multivariada, todas têm como objectivo final a redução da complexidade do problema em questão. Essas técnicas podem reduzir o número de variáveis a serem consideradas, ou mesmo eliminar, ou seja retirar do modelo, variáveis difíceis de serem observadas ou medidas, garantindo que informações relevantes não sejam perdidas. Neste trabalho, para extrair as características desejadas, utilizou-se um método de textura baseado na transformada wavelets, utilizando a escala negativa que destaca os valores


5

absolutos da imagem. Assim, a transformada de wavelets gera valores aplicados apenas nas linhas horizontais, Figura 5-b, nas linhas verticais, Figura 5-c, e nas linhas diagonais, Figura 5-d, da imagem.

a) b)

c) d)

Figura 5: Imagem da parte interior da íris (a), seguida pelas imagens resultantes da transformada de wavelets (b-d).

Com o objectivo último de obter um subespaço de dimensões mais reduzidas sobre as imagens codificadas pela transformada de wavelets, aplica-se posteriormente o método estatístico Principal Component Analysis – PCA, [5], de forma a capturar os principais pontos que descrevem globalmente a imagem original.

5. RESULTADOS

Para validação da metodologia proposta neste artigo consideraram-se cinco casos de aplicação usando 324 imagens, distribuídas por 108 classes cada classe com 3 imagens, do banco CASIA com diferentes níveis de iluminação. No primeiro caso, usou-se um sistema PCA com as imagens originais do banco CASIA, Figura 6-a. No caso seguinte, considerou-se um sistema PCA com imagens originais da parte inferior da íris, Figura 6-c, obtidas pelo método proposto. No terceiro caso de aplicação, implementou-se um sistema PCA com a transformada de wavelets na horizontal das imagens originais da parte inferior da íris, Figura 6-d. No penúltimo caso, fui usado um sistema PCA com a transformada de wavelets na vertical das imagens originais da parte inferior da íris, Figura 6-e. No quinto e último caso de aplicação, considerou-se um sistema PCA com a transformada de wavelets na diagonal das imagens originais da parte inferior da íris, Figura 6-f. Posteriormente, construiu-se o gráfico da curva recall x precision usando as matrizes PCA dos cinco casos de aplicação. Neste gráfico, Figura 7, recall (abrangência) está associada à quantidade de itens relevantes na base de dados, e precision (precisão) à habilidade do sistema manter os dados irrelevantes fora do resultado de uma consulta (pesquisa). Analisando o gráfico precision x recall, apresentado na Figura 7 para os cinco casos de aplicação considerados e anteriormente referidos, pode-se concluir o seguinte:

� O sistema PCA com a transformada de wavelets na diagonal das imagens originais da


6

parte inferior da íris apresentou um melhor desempenho em relação ao sistema PCA com imagens originais da parte inferior da íris;

a)

b)

c)

d)

e)

f)

Figura 6: Amostra de imagens processadas: a) Imagens originais do Banco Cassia; b) Imagens com a região da pupila destacada; c) Zonas de interesse da íris determinada; d-f) Resultados da transformada

de wavelets na horizontal, vertical e diagonal a partir das imagens de c), respectivamente.


7

Figura 7: Gráfico Precision-Recall com os resultados obtidos.

� O sistema PCA com as imagens originais do banco CASIA apresentou um melhor desempenho em relação ao sistema PCA com a transformada de wavelets na diagonal das imagens originais da parte inferior da íris.

� O sistema PCA com a transformada de wavelets na vertical das imagens originais

da parte inferior da íris apresentou um melhor desempenho em relação ao sistema PCA com as imagens originais do banco CASIA.

� O sistema PCA com a transformada de wavelets na horizontal das imagens

originais da parte inferior da íris apresentou um melhor desempenho em relação ao sistema PCA com transformada de wavelets na vertical das imagens originais da parte inferior da íris.

6. CONCLUSÕES

Este trabalho propôs um novo método de segmentação da íris em imagens, no qual é identificado o centro e o raio da pupila através da utilização de filtros morfológicos, e a


8

seguir é capturada e usada informação relativa à parte inferior da íris através da utilização da transformada de wavelets e PCA. A metodologia proposta mostra-se eficiente quando são considerados os valores absolutos da transformada de wavelets na horizontal, como pode ser observado no gráfico apresentado na Figura 7.

AGRADECIMENTOS

Este trabalho foi parcialmente desenvolvido no âmbito do Projecto de Investigação “Segmentação, Seguimento e Análise de Movimento de Objectos Deformáveis (2D/3D) usando Princípios Físicos” financiado pela FCT - Fundação para a Ciência e a Tecnologia em Portugal, com a referência: POSC/EEA-SRI/55386/2004.

REFERÊNCIAS

[1] J. Daugman. “Demodulation by Complex-Valued Wavelets for Stochastic Pattern Recognition” , Int’l J. Wavelets, Multiresolution and Information Processing, vol. 1, no. 1, pp. 1-17, 2003.

[2] J. Daugman. How Iris Recognition Works. IEEE Transactions on circuits and systems for video technology, vol. 14, no. 1, pp. 21-31, Jan 2004.

[3] CASIA Iris Image Database. Disponibilizado pela Academia Chinesa de Ciências. Disponível em: <http://www.sinobiometrics.com> acesso em Abril de 2006.

[4] R. C. Gonzalez, R. E. Woods, S. L. Eddins. Digital Image Processing Using MATLAB, Prentice Hall, 2004.

[5] L. I. Smith. A tutorial on Principal Components Analysis. February 26, 2002. Disponível em: <http://csnet.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf> acesso em Abril de 2006.

Documents

EXTRA O SEGMENTA O RECONHECIMENTO DA RIS1tavares/downloads/publications/artigos/Edno... · Edno José Bozoli Junior, Osvaldo Severino Junior e João Manuel R. S. Tavares 2 1. INTRODUÇÃO