عنوان پایان‌نامه
تشخیص هویت فرد در یک سیستم بیومتریک چند مشخصه ای با رویکرد ترکیب تصمیم مبتنی بر کنترل توجه
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2189;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56707
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۱
- دانشجو
- حبیبه نادری خورشیدی
- استاد راهنما
- مجید نیلی احمدآبادی, بابک نجاراعرابی
- چکیده
- امروزه با توجه به گسترش روز¬افزون استفاده از سیستم¬های بیومتریک تأیید هویت در کاربرد¬هایی که به دقت بازشناخت بالا نیاز دارند ارتقای عملکرد این سیستم¬ها توجه محققین بسیاری را به خود جلب کرده است. یک ایده¬ی قابل تأمل مطرح شده برای نیل به این هدف ترکیب سیستم¬های بیومتریک تک مؤلفه¬ای و ایجاد سیستم¬های بیومتریک چند مؤلفه¬ای بر مبنای استفاده از چندین مشخصه¬ی بیومتریک است. چالش اصلی این سیستم¬ها اما طراحی و انتخاب یک استراتژی ترکیب اطلاعات کارآمد است که بتواند حداکثر اطلاعات موجود را از داده¬های ورودی¬اش استخراج کرده و سپس بهترین توازن ممکن را میان آنها برقرار نماید. در این پایان¬نامه نخست سیستم¬ بیومتریک تک مؤلفه¬ای عنبیه را تشریح و پیاده¬سازی کردیم؛ برای این کار ابتدا از تصویر چشم گرادیان گرفتیم تا تغییرات شدت خاکستری در پیکسل-های تصویر برجسته¬تر شوند، سپس با استفاده از تبدیل هاف مرز¬های عنبیه را که تقریباً دایره¬شکل هستند بدست آوردیم، پس از آن ناحیه¬ی بافت عنبیه را از تصویر چشم بیرون کشیده و آن را با فیلتر گابور کانوالو نمودیم، سپس بخش¬های حقیقی و موهومی تصویر حاصل از کانولوشن را به عنوان ویژگی¬های بافت عنبیه در نظر گرفتیم، در مرحله¬ی مطابقت¬سنجی نیز از فاصله¬ی همینگ برای مقایسه¬ی عنبیه¬ها استفاده کردیم. این سیستم بیومتریک عنبیه¬ را روی پایگاه¬داده¬ی CASIA اعمال نموده و به نرخ تشخیص درست 97.29% رسیدیم. در بخش بعدی سیستم بیومتریک تک مؤلفه¬ای کف¬دست را پیاده¬سازی کردیم؛ ابتدا با پیش¬پردازش تصویر دست ناحیه¬ی کف¬دست را از تصویر بیرون کشیده و مشابه روش¬ استخراج ویژگی به کار گرفته شده در سیستم بیومتریک عنبیه، بافت کف¬دست را با فیلتر گابور کانوالو نموده و بخش¬های حقیقی و موهومی بدست آمده برای هر پیکسل تصویر حاصل از کانولوشن را به عنوان ویژگی¬های کف¬دست در نظر گرفتیم. در قسمت مطابقت سنجی کف¬دست¬ها نیز از فاصله¬ی همینگ استفاده کردیم. سپس سیستم بیومتریک کف¬دست پیاده¬سازی شده¬ را روی پایگاه¬داده¬ی CASIA اعمال نموده و به نرخ تشخیص درست 96.9% دست یافتیم. در ادامه¬ سیستم بیومتریک تک مؤلفه¬ای اثر¬انگشت را تشریح و پیاده¬سازی کردیم؛ ابتدا تصویر اثر¬انگشت را به یک تصویر باینری برای مشخص شدن هر چه بهتر ریج¬ها تبدیل کردیم، سپس ریج¬های بدست آمده را باریک کرده و نقاط تکین و انشعاب روی هر ریج را تعیین نموده و آنها را به عنوان ویژگی¬های اثر¬انگشت در نظر گرفتیم، در مرحله مطابقت¬سنجی دو اثر¬انگشت ابتدا دو تصویر را هم ¬تراز کرده و بعد تناظر موجود بین نقاط ویژگی¬شان را برقرار می¬کنیم، در نهایت متناسب با تعداد تناظر¬های برقرار شده یک امتیاز تطبیق میان هر دو اثر¬انگشت در نظر می¬گیریم. سپس سیستم بیومتریک اثر¬انگشت پیاده¬سازی شده¬ را روی پایگاه¬داده¬ی CASIA اعمال نمودیم که نرخ تشخیص درست 38.8% بدست آمد. در نهایت سیستم¬های بیومتریک دو یا سه مؤلفه¬ای ممکن از ترکیب سه سیستم تک مؤلفه-ای پیاده¬سازی شده را طراحی و پیاده¬سازی کردیم؛ برای انجام این کار از هفت روش ترکیب اطلاعات شناخته شده بهره جستیم، برخی از این روش¬ها ترکیب را در سطح امتیاز تطبیق و بعضی هم در سطح تصمیم انجام می¬دهند. با پیاده¬سازی سیستم¬های بیومتریک چند مؤلفه¬ای نرخ تشخیص درست بوضوح بهبود یافته و در حالت سه مؤلفه¬ای بیشتر از نرخ تشخیص درست سیستم-های بیومتریک تک مؤلفه¬ای حاضر در ترکیب بدست آمده است.
- Abstract
- Nowadays, due to the increasing usage of biometric identification systems that need high recognition rate and accuracy, performance improvements of such systems have attracted the attention of many researchers. One imaginable idea to achieve this goal is to combine several unimodal biometric system and create a multimodal biometric system using different biometric features. The main challenge when using this approach is to design an effective fusion strategy that can extract the most possible information from the inputs and makes a good balance between the inputs. In this thesis, first we examined the iris as a unimodal biometric system. For this purpose, first we take gradient from iris images to sharpen the variations of gray intensity. Then we extract iris boundaries that are nearly circular using Hough transform. After extracting the iris tissue region from the image, we convolve it with a Gabor filter and we use its real and imaginary part of the convolution result as the binary features of the image. In the matching phase, we use Hamming distance between these binary feature vectors as the similarity measure to compute the matching score for different iris images. We have tested this method on the CASIA dataset and achieved 97.29% accuracy. In the next stage, we investigated palmprint as a unimodal biometric system. Using some preprocessing on the image, we extract the palmprint region from the entire image. The feature extraction method is similar to the one that is used in the iris system. We convolve palmprint region with a Gabor filter and use its real and imaginary parts as binary features. Again in the matching phase we use Hamming distance as the similarity measure. We have tested our palmprint system on the CASIA dataset and achieved correct classification rate of 96.9%. Afterwards, we implemented and studied fingerprint as a unimodal biometric system. First, we use a thresholding to get a binary image in which the ridges of fingerprint are easy to extract. These ridges are thinned and the endpoints and bifurcations on each ridge are extracted. These endpoint and bifurcation points on each ridge identify a minutia. Minutiae are used as the features of the fingerprint. In the matching phase, first we align two images and then we match the minutia of the two images and assign a matching score based on the number of matched minutia between two images. We have tested this fingerprint system on the CASIA dataset and achieved 38.8% accuracy. At last, we designed and implemented all possible multimodal biometric systems using two and three biometric feature. For this purpose, we employed seven well-known fusion methods. Some of these methods fuse the results in the score level while some others fuse in the decision level. By using multimodal biometric systems, we achieved significant improvement in the correct classification rate and the accuracy multimodal biometric system using all three elements was better than all of the unimodal biometric systems.
