TEMPLATE DESIGN © 2008

www.PosterPresentations.com

RECONHECIMENTO DE ÍRIS USANDO FILTRO DE CORRELAÇÃOVolnei da Silva Klehm1, Waldir S. S. Júnior1,2

1 UFAM/CETELI/PPGEE, Universidade Federal do Amazonas, Manaus, AM, Brasil.2 UFAM/CETELI/DET/PPGEE, Universidade Federal do Amazonas, Manaus, AM, Brasil.

volnei_klehm@hotmail.com.br, waldirsabino@gmail.com

1. Introdução

A área de identificação biométrica computacional tem assumido um papel cada vez mais importante nos dias atuais, a cada dia faz-se mais presente no cotidiano tendo diversas aplicações onde a identificação robusta e eficaz se faz necessária.

Um dos processos de identificação biométrica mais difundidos é o reconhecimento de impressões digitais, entretanto, tal método necessita contato e, portanto, exige o uso de um leitor específico e a confirmação de identidade não pode ser realizada a distância.

Nesse contexto, identificações biométricas sem contato físico (ex. voz, face, expressão e íris) apresentam a vantagem de tornar possível o reconhecimento através de um conjunto de mídias ampliando significativamente as áreas em que a identificação biométrica pode se usada.

Um dos métodos de destaque em reconhecimento biométrico sem contato é a identificação feita através de íris, o qual, apresenta um elevado grau de singularidade e informação biométrica. Aqui será explorado um método alternativo de reconhecimento conhecido como filtragem de correlação e a razão para tal escolha será justificada nas seções seguintes.

2. Projeto de Máquinas de Aprendizado

Esta etapa far-se-á através do uso de imagens adquiridas por terceiros em outros trabalhos/instituições.

A seguir alguns bancos de dados de imagens de íris serão descritos:1. CASIA da Academia Chinesa de Ciências [4] contém 108 classes

de íris sendo cada uma com 7 imagens, da mesma íris, fotografadas com iluminação infravermelha eliminando assim reflexos nas imagens.

2. UBIRIS [5] da Universidade de Beira Interior de Portugal, é dividido nas versões UBIRIS.v1 e UBIRIS.v2, contendo imagens 1877 imagens de 241 indivíduos e 11102 imagens de 261 indivíduos respectivamente, as imagens são fotografadas com luz visível.

2.2. Pré-processamento

Apesar de quase nenhum pré-processamento ser necessário neste trabalho, visto que filtros de correlação apresentam robustez a maioria das distorções encontradas em aplicações reais de reconhecimento de íris (deslocamento, ruído, ocultação de parte do padrão de teste, etc.), uma etapa de pré-processamento onde as imagens de íris são normalizadas e seu padrão mapeado em coordenadas polares [6] é natural em diversos trabalhos (Figura 2).

2.3. Seleção de Características

2.4. Escolha do Classificador

Matematicamente, correlação é expressa de forma simples, começando-se com duas funções e e determinamos a função,, correlação como segue [7]:

Esse conceito básico está no coração de uma vasta tecnologia em reconhecimento de padrões [7], ainda assim, não é satisfatório em diversas aplicações práticas, nas quais, sinais sofrem as mais variadas alterações. Nos últimos anos, entretanto, melhorias na operação básica de correlação têm aprimorado significativamente a robustez do método em tais problemas do mundo real. Atualmente se destacam invariância ao deslocamento, robustez ao ruído e tolerância a distorções tornam tais filtros muito atraentes [8] em aplicações do mundo real.

Reconhecimento de padrões por correlação (CPR – “correlation pattern recognition”) é, em poucas palavras, um subconjunto de uma área de conhecimento ampla conhecida como “reconhecimento estatístico de padrões”. A CPR baseia-se na criação/seleção de um padrão de referência (modelo) e determinação de sua semelhança com outro padrão de teste. Um exemplo de uma típica saída de um filtro de correlação é descrito na Figura 3 (notar os picos de energia nos locais onde os padrões desejados aparecem).Uma abordagem básica do uso de filtros de correlação é a abordagem no domínio da frequência ilustrada na equação abaixo (a adoção dos algoritmos rápidos para a obtenção da transformada de Fourier tem popularizado tal abordagem):

Na equação anterior, Y representa a saída do correlacionador, H é o filtro projetado (o * indica conjugado complexo) e I é o padrão de teste. Assim sendo, o esquema básico do classificador aqui proposto será (Figura 4):

2.5. Treino do Classificador

2.6. Avaliação do Classificador

4. Referências BibliográficasO objetivo básico da etapa de treinamento é de obter, no plano de correlação, um pico de energia bem definido na origem do mesmo e valores próximos de zero no restante. Tal processo deve atender critérios (métricas) pré-definidos os quais devem ter seus valores minimizados ou maximizados (dependendo do parâmetro) para um bom desempenho do filtro. Como exemplo de tais parâmetros de projeto temos:1. PSR (“peak-to-sidelobe”) o qual tem objetivo de maximizar a

relação entre a intensidade do pico central de energia e a região adjacente;

2. ACE (“average correlation energy”) que deve ser minimizado.

Reconhecimento de padrões é o estudo de como máquinas podem observar o meio, aprender a distinguir padrões de interesse e tomar claras e boas decisões sobre as classes dos padrões [1].

O ciclo de projeto de uma máquina de aprendizado (classificador) é constituído de seis etapas básicas (coleta de dados, pré-processamento, seleção de características, seleção do modelo, treinamento e avaliação de desempenho) [2, 3] (Figura 1). As etapas do ciclo de projeto serão tradadas em detalhes de forma específica para o trabalho nas subseções seguintes.

2.1. Coleta de Dados

Uma vantagem do uso de filtros de correlação neste trabalho é o fato de não ser necessário o uso de um método formal de extração de características. A própria imagem pré-processada seria suficiente para o para o bom funcionamento deste classificador.

Filtro de correlação X

FFT

FFT-1

COMBINA NÃO COMBINA

PADRÃO DE TESTE

Figura 5

Um dos métodos mais simples e bem difundido consiste na divisão dos dados de treino em duas partes sendo uma usada para treino e outra usada para teste (Figura 5). Uma avaliação desta forma é usada como uma estimativa do verdadeiro desempenho de campo do algoritmo [9]. Abaixo segue o cálculo da estimativa de performance do algoritmo.

3. Conclusão

[1] AKSOY, S. Introduction to Pattern Recognition. [S.l.]: Spring, 2007.

[2] JAIN, A. K.; DUIN, R. P. W.; MAO, J. Statistical Pattern Recognition: A Review. IEEE Trans. On Pattern Analysis And Machine Intelligence, p. Vol. 22, no 1, 2000.

[3] HAGAN, M. T.; DEMOTH, H. B.; BEALE, M. Neural Network Design. [S.l.]: PWS Publishing Company, 1996.

[4] CASIA Iris Image Database. Disponivel em: <http://www.cbsr.ia.ac.cn/english/IrisDatabase.asp>.

[5] UBIRIS database. Disponivel em: <http://iris.di.ubi.pt/index.html>.

[6] THORNTON, J.; SAVVIDES, M.; KUMAR, B. B. V. K. V. Robust Iris Recognition Using Advanced Correlation Techniques. [S.l.]: Springer, 2005.

[7] KUMAR, B. V. K. V.; MAHALANOBIS, A.; JUDAY, R. Correlation Pattern Recognition. [S.l.]: Cambridge University Press, 2005.

[8] KUMAR, V. K. V. B. Tutorial survey of composite filter designs for optical correlators. Appl. Opt., 31, 1992. 4773–4801.

[9] WILEY, J. Wiley Encyclopedia of Biomedical Engineering. [S.l.]: John Wiley & Sons, 2006.

Com o advento dos processos de reconhecimento biométrico, novas abordagens têm se feito necessárias afim de reduzir o trabalho de processamento e melhorar a confiabilidade dos classificadores.

Como exemplo dos principais desafios da identificação se citam: elevado custo e precisão dos equipamentos utilizados e dificuldade de compensação de distorções corriqueiras do processo de aquisição (rotações, translações, ruídos, etc.).

O uso de filtros de correlação traz um modo promissor de tratamento desses desafios, tendo como ponto extra sua necessidade mínima de etapas de pré-processamento, mesmo em imagens bem distorcidas.

Figura 2

Figura 1

Figura 3 Figura 4