تشخیص هویت با عنبیه چشم بوسیله شبکه عصبی

تشخیص هویت با عنبیه چشم بوسیله شبکه عصبی

Iris recognition using artificial neural networks

تشخیص هویت با عنبیه چشم بوسیله شبکه عصبی

سال نشر 2010  مقاله isi  در Expert Systems with Applications

چکیده:

تشخیص هویت بیومتری یکی از مهم ترین و بهترین روش های تشخیص هویت در جهان است. تشخیص هویت با عنبیه برای شناسایی افراد خیلی موثر است، که به علت ویژگی های منحصر به فرد عنبیه ومحافظت عنبیه در بر ابر محیط و پیر شدن است. در این مقاله یک روش ساده برای پردازش اولیه تصاویر عنبیه و طراحی و ایجاد شبکه عصبی مصنوعی ارائه شده است. ما  آزمایشات خود بر روی عنبیه های با رنگ مشابه انجام دادیم. ضمنا ما آزمایش خود را با انواع لایه های مختلف ، تعداد متفاوت نرون در هر لایه ،با دو نوع فرمت ورودی ( دوتایی در مقایسه با آنالوگ)، درصد داده های مورد استفاده در ایجاد در برابر آزمایش و با اضافه کردن نویز انجام دادیم. سیستم تشخیص هویت ما علی رغم استفاده از روش ساده پردازش اولیه داده ها و یک شبکه عصبی ساده خیلی دقت بالایی داشت.

دانلود مقاله Iris recognition using artificial neural networks

مقدمه مقاله :

تکنیک های بیومتری مانند شناسایی چهره، عنبیه ، صدا و اثر انگشت فرد، کمک زیادی به شناسایی و تشخیص هویت افراد می کند.شناسایی افراد از روی عنبیه بهتر از سایر روش های شناسایی مانند تشخیص اثر انگشت و چهره است. این موضوع به علت منحصر به فرد بودن عنبیه افراد است( حتی برای دو قلوها) و این که عنبیه چشم به سختی تغییر می کند در حالیکه سایر روش ها مانند  شناسایی با اثر انگشت یا صدا ممکن است دچار اختلال شود زیرا اثر انگشت به وسیله سوختگی، صدمات، یا مصرف برخی از آنتی بیوتیک ها شاید دچار صدمه شود و صدای افراد هم با سرما خوردگی ساده تغییر می کند. در اصل پلک چشم، قرنیه و مایع مخاطی ( زلالیه) از عنبیه محافظت می کنند. علاوه بر آن عنبیه چشم در برابر مسن شدن و استفاده از عینک و لنزهای چشمی، خیلی مصون می ماند. بنابراین تشخیص هویت از روی عنبیه چشم یک روش بیومتریک است که نتایج آن مطمئن و صحیح می باشد. از آنجا که عنبیه ها از نظر اندازه، رنگ و الگو خیلی متفاوت هستند در نتیجه شناسایی افراد به وسیله آنالیزهای ریاضی از روی عنبیه، اطمینان بالایی دارد. در پورت های فرودگاهی مانند گیت فرودگاه بین المللی از اسکن عنبیه برای شناسایی هویت افراد استفاده می شود. سایر ادارات مهم و امنیتی مانند بانک ها و ادارات دولتی می توانند از این فناوری استفاده نمایند. معمولا نرم افزارهای شناسایی عنبیه چشم مبتنی بر تکنیک های پیشرفته ریاضی مانند روش wavelet ( موج ضربه ای کوچک) و سخت افزارهای زمان حقیقی با یک دوربین ( یا چند دوربین) با کیفیت و رزولشن بالا هستند. در این مقاله ما از یک روش متفاوت برای سیستم های شناسایی عنبیه استفاده کرده ایم که هزینه ها را کاهش می دهد. روش ما دارای خواص زیر است: 1) استفاده از شبکه های عصبی مصنوعی 2) آنالیزهای و پردازش اولیه ساده ریاضی برای داده های مربوط به عنبیه چشم مبتنی بر یک روش جداسازی پایه ای تصاویر عنبیه و جمع آوری مقادیر داده های RGB  در هر بخش.

در این تحقیق یک روش برای پردازش اولیه تصاویر عنبیه و اماده کردن آنها برای پردازش شبکه مصنوعی ارائه شده است. ضمنا در این مقاله روشی برای طراحی و ایجاد شبکه مصنوعی برای شناسایی عنبیه ارائه شده است.

جهت دریافت کد متلب  مقاله تشخیص هویت با عنبیه چشم بوسیله شبکه عصبی با ما تماس بگیرید

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : 09120563264

قیمت : 99هزار تومان  = دریافت کد متلب ترجمه مقاله (26 صفحه ترجمه) + توضیحات کدها (14 صفحه)

هزینه کل بسته شامل کد مقاله و توضیحات کدهای مقاله و ترجمه مقاله  = 99هزار تومان

=====================================

بخشی از فایل توضیحات کد:

ما 20 تصویر عنبیه از افراد مختلف ( از یک جهت) را انتخاب می کنیم ( از بانک داده تصاویر عنبیه). حجم این تصاویر بین 400 تا 500 کیلو بایت بود و برای پردازش اصلی آماده نیستند سپس باید تحت پردازش اولیه قرار می گیرند. . بنابراین 4 مرحله پردازش اولیه لازم است.

1)هر تصویر را با نرم افزار فتوشاپ باز میکنیم  و آن را از فرمت png به فرمت jpeg تبدیل میکنیم و همچنین سایز ان را به 100*100 تغییر میدهیم.

2) بر روی هر تصویر یک نرم افزار جاوا اجرا می شود تا مقادیر RGB 100*100 آن به دست آید(Lin, xxxx).

توضیح: میخواهیم مقدار RGB هر پیکسل از عکس رو بدست بیاوریم در مقاله برای این کار از نرم افزار getrgb استفاده کرده بود اما من  کدی نوشتم که این کار رو خودم تو برنامه انجام بدم که در ادامه توضیح داده میشود

3) برای هر تصویر مقادیر RGB   100*100 پیکسل ان بدست می اید. سپس پیکسل های صلبیه چشم که مقدار RGB آنها نزدیک به صفر است با صفر جایگزین می شود. مقادیر RGB مردمک که نزدیک به FFFFFF است نیز با صفر جایگزین می شود. جایگزین مقدار صفر برای RGB مردمک و صلبیه برای جلوگیری از پردازش نقاطی از تصویر است که مربوط به عنبیه نمی باشد. مقادیر RGB در ستون ها و ردیف هایی جمع آوری می شوند.

4) در مقاله از نرم افزار Netmaker و Brainmaker استفاده کرده بود و داده هایی که از مرحله سوم بدست می امدند را به این نرم افزار ها میداد تا شبکه عصبی رو بسازند و اموزش بدهند و نتایج را ببیند اما من کد این کار را خودم نوشتم تا کل برنامه یکپارچه باشد.

===================================

بخشی از کدهای برنامه:

% Horizontal strip partitioning (rows).

   r=10;

   img_Horizontal=zeros(x/r,1);

   index=1;

   for i=1:r:x

       img_Horizontal(index)=sum(sum(imgInt(i:i+r-1,:)));

       index=index+1;

   end

   %Vertical strip partitioning (columns).

   c=10;

   img_Vertical=zeros(1,y/c);

   index=1;

   for i=1:c:y

       img_Vertical(index)=sum(sum(imgInt(:,i:i+c-1)));

       index=index+1;

   end

   %Block partitioning

   b=16;

   bb=sqrt(b);

   len=x/bb;

   img_Block=zeros(b,1);

   index=1;

   for i=1:len:x

       for j=1:len:y

           img_Block(index)=sum(sum(imgInt(i:i+len-1,j:j+len-1)));

           index=index+1;

       end

   end

   %% Image Partitionning To Reduce Input Number For Neural Network -End