Abstract
Iriksen paikannus on yksi iiriksen tunnistuksen tärkeimmistä prosesseista. Koska iiriskuvassa on erilaisia kohinoita, lokalisointitulos voi olla väärä. Tämän lisäksi lokalisointiprosessi on aikaa vievä. Näiden ongelmien ratkaisemiseksi tässä artikkelissa kehitetään tehokas iiriksen paikannusalgoritmi optimointimallin avulla. Ensinnäkin paikannusongelma mallinnetaan optimointimallilla. Sitten valitaan SIFT-ominaisuus, joka edustaa iiriksen ulkorajan ja silmäluomen ominaisuustietoja paikannusta varten. Ja SDM-algoritmia (Supervised Descent Method) käytetään ulkorajan ja silmäluomien loppupisteiden ratkaisemiseen. Lopuksi IRLS (Iterative Reweighted Least-Square) -menetelmää käytetään ulkorajan sekä ylä- ja alaluomien parametrien saamiseksi. Kokeellinen tulos osoittaa, että ehdotettu algoritmi on tehokas ja toimiva.
1. Johdanto
Iris-tunnistus on yksi luotettavimmista biometrisistä menetelmistä . Sitä käytetään laajalti erilaisissa sovelluksissa.
Tyypillinen iiriksen tunnistusjärjestelmä sisältää useita vaiheita, jotka ovat iiriskuvan hankinta, segmentointi, ominaisuuksien louhinta, täsmäytys ja tunnistus . Näissä vaiheissa segmentointi on tärkein ja perusprosessi. Tässä vaiheessa paikallistetaan pääasiassa iiriksen neljä rajaa, jotka ovat iiriksen sisä- ja ulkorajat sekä ylempi ja alempi silmäluomi.
Itse asiassa on vaikeaa saada tarkkoja ja vakaita iiriksen rajoja erilaisissa olosuhteissa, kuten vaihtelevassa ja epätasaisessa kirkkaudessa, silmäripsien ja silmäluomien peittämisessä, peiliheijastuksissa ja silmälasien peitossa. Nämä määrittelemättömät tekijät vaikeuttavat iiriksen segmentointia. Segmentoinnista on tullut merkittävä pullonkaula iiriksen tunnistusjärjestelmässä.
Kaksi tunnetuinta iiriksen paikannusalgoritmia ovat integrodifferentiaalioperaattori (Itg-Diff) ja reunan havaitseminen yhdistettynä Hough-muunnokseen . Ne ovat laajalti hyväksyttyjä eri julkaisuissa. Nämä kaksi menetelmää käyttävät kuitenkin pääasiassa gradientti-informaatiota, johon erilaiset kohinat vaikuttavat helposti. Ne eivät todennäköisesti ole tehokkaita ja tuottavat vääriä paikannuksia tietyissä olosuhteissa.
(1) Laskennan monimutkaisuus. Itg-Diff-operaattorin tehokkuuteen vaikuttaa pääasiassa rajaparametrien vaihteluväli. Kun parametrien hakuavaruus on suuri, lokalisointiprosessilla on suuri laskentakompleksisuus. Hough-muunnoksen tehokkuuteen vaikuttavat pääasiassa parametriavaruuden koko ja havaittujen reunapikselien määrä. Havaittu reuna sisältää yleensä paljon kohinaa. Kun mukana on liikaa kohinaa tai käytetään suurta parametriavaruutta, laskentaprosessi on aikaa vievä.
(2) Iiriksen ulkoreunan epätarkka paikannus. Koska Itg-Diff-operaattori ja reunantunnistusprosessi riippuvat vain gradienttitiedosta, ne ovat alttiita silmäripsien, valopilkkujen, silmälasikehyksen ja muiden kohinoiden vaikutuksille, mikä johtaa väärään lokalisaatioon.
(3) Ylä- ja alaluomien virheellinen segmentointi. Laitteiden, ympäristön ja yksilöiden erilaisuuden vuoksi otettujen kuvien silmäluomet eroavat toisistaan suuresti. Tämä johtaa silmäluomien virheelliseen segmentointiin.
Viime vuosina on ehdotettu monia algoritmeja, jotka perustuvat edellä mainittuihin kahteen klassiseen algoritmiin. Cui et al. poimivat iiriskuvan matalataajuisen informaation wavelet-muunnoksella. He käyttävät Itg-Diff-operaattoria iiriksen segmentointiin. Sundaram et al. pienentävät iiriksen ja pupillin hakualuetta monimutkaisuuden vähentämiseksi, minkä jälkeen he käyttävät Hough-muunnosta paikannukseen. Myös muut algoritmit, kuten Hooken laki , aktiivinen ääriviiva ja histogrammianalyysi, tuottavat tyydyttäviä tuloksia. Lisää iiriksen segmentointimenetelmiä on tutkinut Jan .
Itse asiassa nämä ehdotetut iiriksen segmentointimenetelmät riippuvat pääasiassa gradienttitiedosta. Erilaiset kohinat vaikuttavat siis helposti lokalisointiprosessiin, jolloin syntyy vääriä segmentointeja. Toisaalta olemassa oleva kohina vaikeuttaa rajaparametrien vaihteluvälin arviointia. Tämä tekee hakuprosessin laskennan monimutkaiseksi.
Huomiossa, että kohinat vaikuttavat helposti gradientti-informaatioon, pyrimme valitsemaan kestävämpiä piirteitä kuvaamaan iiriksen rajaa.
SIFT (scale-invariant features transform) on kestävä ja mittakaavainvariantti paikallinen piirrekuvaaja. Xiong ja de la Torre ehdottivat kasvojen avainkohtien paikallistamista SIFTin ja SDM-algoritmin (Supervised Descend Method) avulla. Tämän artikkelin innoittamana pyrimme käyttämään SIFT-menetelmää iiriksen rajan paikallisen piirteen poimimiseen. Paikannusprosessi ratkaistaan SDM:llä .
Kuvassa 1 esitetään ehdotetun iiriksen paikannusmenetelmän vuokaavio. Ensin pupilli paikannetaan karkeasti RST:llä (Radial Symmetry Transform) ja hieno raja määritetään Itg-Diff-operaattorilla. Tämän jälkeen iriksen ulkoreunan ja silmäluomien (ylä- ja alaluomien) avainpisteiden SIFT-ominaisuudet uutetaan. Näiden avainpisteiden perusteella kehitetty optimointimalli ratkaistaan SDM:llä. Tämän jälkeen saadaan joitakin avainpisteitä iiriksen ulkorajalta ja silmäluomilta (ylä- ja alaluomilta). Lopulliset silmäluomet ja iiriksen raja määritetään IRLS:llä (Iterative Reweighted Least-Square).
Kuvassa 2 havainnollistetaan ehdotetun algoritmin koko menettely. Kuvassa 3 esitetään ehdotetulla algoritmilla saadun ihanteellisen ja saadun paikannustuloksen vertailu.
(a)
(b)
(a)
(b)
Työ on organisoitu seuraavasti: Jaksossa 2 havainnollistetaan paikannusalgoritmin matemaattinen malli. Jaksossa 3 esitellään ehdotettu iiriksen paikannusmenetelmä. Jaksossa 4 esitetään kokeellinen tulos ja analyysi. Jaksossa 5 päätetään koko tutkielma.
2.1. JOHDANTO. Iriksen lokalisoinnin matemaattinen malli
Olkoon iiriskuva ja olkoon kuvan pikseleiden koordinaattien vektori, . on kohteen rajojen vektori, joka koostuu avainpisteiden koordinaateista, . Tällöin paikannusprosessi on yhtä kuin laskeminen , jota havainnollistetaan kuvassa 4.
(a) Iiriksen ulkorajan alkumuoto
(b) Ulkorajan alkumuoto ja loppumuoto
(a) Iiriksen ulkorajan alkumuoto
(b) Ulkorajan alkumuoto ja loppumuoto
Määritellään piirrevektoriksi , joka koostuu piirreryhmistä on . Tässä, on piirteiden louhintafunktio, joka projisoi pikselit niitä vastaavaan piirrekuvaajaan.
Tässä määritelmässä, on piirrevektori . Tällöin lokalisointiprosessi on yhtä kuin etsiä samankaltaisinta piirrevektoria kuin . Ihannetapauksessa, kun kahden piirrevektorin ja välinen ero on pieni, oltaisiin lähellä kohdemuotoista vektoria , mikä on odotettu lokalisointi.
Tässä käytämme euklidista etäisyyttä mittaamaan kahden piirrekuvaajavektorin samankaltaisuutta. Tällöin iiriksen lokalisointimenettely vastaa seuraavan tavoitefunktion minimointia:
Let , missä on alkukoordinaattivektori, on siirtymä kohteesta to , ja (1) voidaan kirjoittaa uudelleen muotoon
Kun ominaisuuksien poimintafunktio on epälineaarinen, (2):n minimointi on epälineaarisen ohjelmoinnin ongelma. Lopullinen muotovektori saadaan ratkaisemalla seuraava optimointiongelma:
Tällöin lopullinen paikannuksen muotovektori on
2.2. Lopullinen paikannuksen muotovektori. SIFT Feature of Boundary
SIFT on yleisesti käytetty kuvan paikallinen ominaisuuskuvaaja . Sitä käytetään laajalti monissa eri tietokonenäköongelmissa . Tässä asiakirjassa otamme käyttöön samanlaisen strategian kuin , poimimme SIFT-ominaisuusvektorit iiriksen rajan keskeisistä pisteistä paikallistamista varten. Kuva 5 havainnollistaa iiriksen rajan eri pisteiden SIFT-ominaisuuksia. Kuvasta käy ilmi, että iiriksen ulkorajalla olevilla neljällä pisteellä (merkinnät 1-4) on samanlaiset SIFT-ominaisuudet.
(a)
(b)
(a)
(b)
2.3. SIFT-ominaisuus. SDM-algoritmi
Korvaamalla SIFT-ominaisuusvektori optimointiongelmaan (3) saadaan epälineaarinen ohjelmointiongelma. SDM-algoritmi käyttää valvottua oppimista saadakseen optimaalisen iteraatiovektorin nykyisestä muotovektorista kohteeseen. Se on iteratiivinen algoritmi optimointiongelman ratkaisemiseksi.
Tässä algoritmissa luodaan lineaarinen regressiomalli muotovektorin siirtymän ja nykyisen muotovektorin ominaisuuden välille
Silloin nykyinen muotovektori ja siirtymävektori voidaan laskea iteratiivisesti halutun sijaintivektorin saamiseksi: .
Lokaaliin minimiin joutumisen mahdollisuuden vähentämiseksi SDM ottaa käyttöön useita iteraatioita saadakseen sarjan ja missä on iteraatioiden lukumäärä ja on muotovektorin th-pisteen koordinaatti th-iteraatiossa.
3. Ehdotettu menetelmä
3.1. Muodonmääritysmenetelmä. Pupillin määrittäminen
Kun iiriskuvat otetaan lähi-infrapunalaitteistolla, pupillin ja iiriksen välillä on suuri ero. Tässä käytetään ”karkeasta hienoon” pupillin paikannusstrategiaa. Ensin saadaan karkea pupillin sijainti RST:llä ; sitten tarkka paikannus saadaan Itg-Diff-operaattorilla.
Itg-Diff-operaattorin on ehdottanut Daugman. Kaava on seuraava: missä on sileä funktio, on konvoluutio-operaattori, on kuva, on ympyrärajan keskipiste ja on säde.
Operaattori laskee rengasmaisen harmaasävyeron säteittäistä suuntaa pitkin iiriskuvassa ja etsii suurimman eron.
3.2. TUTKIMUKSEN TULOKSET JA TAVOITTEET SDM-oppiminen
Tässä työssä valitaan 32 avainpistettä iiriksen ulkorajalta. Kuva 6 havainnollistaa näiden pisteiden sijainnit. Niistä ylä- ja alaluomet sisältävät erikseen 13 pistettä, ja iiriksen rajan vasemmassa ja oikeassa kaaressa on vastaavasti 4 pistettä. Kuva 6(a) on harjoittelukuva, johon on merkitty pisteet sekä ylä- että alaluomilla, jolloin pisteet 1., 13., 14. ja 26. ovat silmäluomien ja iiriksen ulkoreunan leikkauspisteitä; kuva 6(b) on harjoittelukuva, johon ei ole merkitty alaluomien ja iiriksen leikkauspisteitä, jolloin iiriksen ulkoreunan alin piste on merkitty pisteiksi 14.-26.; Kuva 6(c) on harjoituskuva ilman yläluomien ja iiriksen leikkauspistettä, jossa iiriksen ulkoreunan korkein piste on merkitty pisteiksi 1.-13.; Kuva 6(d) esittää kaikkien harjoitusnäytteiden keskimääräisen muotovektorin. Merkittyjen pisteiden SIFT-ominaisuudet lasketaan jokaiselle tietokannan kuvalle ja ja , jotka tallennetaan lineaarisen regression opittuina parametreina, saadaan ratkaisemalla (6).
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
3.3. Silmänpohjan ja silmänympärysihon väliset erot. Avainpisteiden lokalisointi
Lokalisointiprosessissa iiriksen ulkoraja alustetaan pupillin lokalisoinnin parametrien ja keskimääräisen muodon perusteella. Kuva 7 havainnollistaa muodon muutosprosessia eri iteraatiovaiheiden jälkeen. Kuvassa 7(a) havainnollistetaan alkuperäiset avainpisteet. Kuvissa 7(b), 7(c) ja 7(d) esitetään vastaavasti lokalisoidut muodot, jotka saadaan yhden, kahden ja kolmen iteraation jälkeen.
(a)
(b)
(c)
(d)
.
(a)
(b)
(c)
(d)
Käyttämämme iiriskuva on skaalattu sivupituuteen. Iteraatioluku .
3.4. Rajojen estimointi
Tämän SDM:n avulla saatujen avainpisteiden avulla IRLS-algoritmi otetaan käyttöön iiriksen ja silmäluomien rajojen paikantamiseksi. Iiriksen ja silmäluomien ulkoraja (ylös ja alas) sovitetaan erikseen ympyrän ja paraabelin avulla.
3.4.1. Ympyrän yhtälön linearisointi
Ympyrän vakioyhtälö on missä ja ovat ympyrän pisteen vaaka- ja pystysuuntaiset koordinaatit ja , , ja ovat parametrit. Ympyrän yhtälö voidaan kirjoittaa seuraavasti
Let , , , ; tällöin ympyrän yhtälö voidaan kirjoittaa seuraavasti
3.4.2. Ympyrän yhtälö. Parabolisen funktion linearisointi
Vakioparabolinen funktio voidaan antaa seuraavasti:
Tällöin funktio muuttuu
Let , , , ; silloin parabolinen funktio voidaan antaa
3.4.3. Parabolinen funktio voidaan antaa
. Parametrin estimointi IRLS:llä
Kun ympyränmuotoiset ja paraboliset funktiot havainnollistetaan (10) ja (13), alkuperäiset epälineaariset funktiot muuttuvat lineaarisiksi. Näiden funktioiden parametrit voidaan ratkaista pienimmän neliösumman menetelmillä. Tässä käytetään IRLS-menetelmää näiden tuntemattomien parametrien estimoinnissa.
Oletetaan, että th-pisteen poikkeama on , . Jotta regressiosta tulisi kestävä, käytämme painofunktiona bisquare-funktiota, joka on ; on kaistanleveys. Silloin seuraava optimointiongelma saataisiin minimoimalla painotettu neliövirhe,jossa on SDM:llä saatujen th-avainpisteiden koordinaatit.
Tässä käytämme IRLS:ää (14) ratkaisemiseen. Iteratiivinen funktio on
Ratkaisuprosessi toteutetaan Matlabiin sisäänrakennetulla funktiolla. Kuvassa 8 havainnollistetaan avainkohdat ja lopulliset lokalisoidut rajat. Ulomman iiriksen rajan sekä ylä- ja alaluomien avainpisteet saadaan SDM:llä. Jatkuvat rajat lasketaan IRLS:llä.
4. Kokeellinen tulos ja analyysi
Ehdotettua algoritmia testattiin monokulaarisella iiriksenkeruulaitteella TCI 311, jonka valmistaja on Techshino Technology Inc, Beijing. Se on prime-linssillä varustettu lähi-infrapunakamera. Kuvausetäisyys on 8-10 cm. Iiriskuvan resoluutio on . Rakennamme tällä laitteella iiristietokannan, joka sisältää 700 kuvaa.
Koe suoritetaan tietokoneella, jossa on Intel Core i5 -suoritin, 2 Gt RAM-muistia ja käyttöjärjestelmä on Windows 7 Professional 32-bittinen. Algoritmi on koodattu Matlab 2014b:llä ja C++:lla.
Kokeessamme harjoittelu- ja verifiointikuvat valitaan satunnaisesti kuvatietokannasta ristiinvalidointia varten. Koulutus- ja verifiointikuvien suhde on 7 : 3.
Paikannustarkkuuden virheprosentti ja epäonnistumisprosentti määritellään seuraavasti: missä ja merkitsevät i:nnen pisteen testipaikkaa ja todellista sijaintia j:nnen näytekuvan j:ssä. edustaa euklidista etäisyyttä. ja merkitsevät th:nnen näytekuvan kaikkien avainpisteiden pienimmän ympyröidyn suorakulmion pituutta ja leveyttä. Määritelmän mukaan mittaa otospistevirhettä ja on sijaintivirheprosentti.
Kumulatiivinen virheprosentti määritellään seuraavasti:
Kumulatiivinen virheprosentti määritellään seuraavasti:
Tässä ja ovat arviointikriteerit, ja on indikaattorifunktio:
Kuvassa 9 on esitetty ja käyrät. Kuvassa 10 esitetään paikannustulos ehdotetulla menetelmällä. Taulukko 1 havainnollistaa iiriksen rajan ja silmäluomien lokalisoinnin suorituskyvyn vertailua Itg-Diffin ja ehdotetun algoritmin avulla. Kuvassa 11 verrataan Itg-Diff-operaattorilla ja ehdotetulla menetelmällä saatuja tuloksia, joista ensimmäinen rivi on Itg-Diff-operaattorin tulos ja toinen rivi on ehdotetun menetelmän tulos. Nämä vertailut osoittavat, että ehdotetulla menetelmällä on vakaampi paikannustulos kuin Itg-Diff-operaattorilla meluisassa iiriskuvassa, erityisesti suurten valopilkkujen, silmälasikehysten ja niin edelleen kanssa.
|
||||||||||||||||||
(a)
(b)
(a)(b)
(b)
(b)
(b)
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
Tämä johtuu siitä, että Itg-Diff-operaattori tukeutuu naapuruston gradienttitietoon. Se on herkkä paikalliselle intensiteetin vaihtelulle. Kun iiriskuvissa on valopilkku, silmäluomi, silmäripsi, silmälasikehys ja niin edelleen, Itg-Diff-operaattori tuottaa todennäköisesti vääriä segmentointeja.
Mikäli SIFT-ominaisuus luodaan suhteellisen suurelle paikalliselle alueelle, se on kestävämpi kuvan kiertymiselle, kirkkauden vaihtelulle, mittakaavan skaalautumiselle ja kohinalle kuin gradienttitieto. Tämä parantaa lokalisointialgoritmin kestävyyttä.
Taulukossa 2 esitetään ehdotetun menetelmän ja kahden muun menetelmän ajoaika. Kokeessamme iiriskuvan lokalisointi kestää keskimäärin 26,7 ms, mikä on paljon tehokkaampaa kuin verratut algoritmit.
|
||||||||||||||||||||
5. Johtopäätökset
Tässä työssä ehdotetaan optimointimalliin perustuvaa tehokasta iiriksen paikannusalgoritmia. Ensin käytetään RST- ja Itg-Diff-operaattoria pupillin paikantamiseen; sitten iiriksen ulkorajalla olevat avainpisteet esitetään SIFT-piirteillä ja paikannetaan SDM:llä. Lopuksi iiriksen ulkorajan parametrit määritetään IRLS:llä.
Tämän asiakirjan tärkein panos voidaan tiivistää seuraavasti. Kehitetään optimointimalli iiriksen paikannusta varten. Iiriksen rajojen esittämiseen käytetään SIFT-ominaisuutta, joka on kestävämpi kuin gradienttitieto. SDM-algoritmi otetaan käyttöön iiriksen paikannusongelman ratkaisemiseksi, mikä voi tuottaa iiriksen ulkorajan avainpisteet.
Kokeelliset tulokset osoittavat, että ehdotettu menetelmä voi paikallistaa iiriksen ulkorajan sekä ylä- ja alaluomet tehokkaasti ja kestävästi.
Interintäristiriidat
Tekijät ilmoittavat, että heillä ei ole eturistiriitoja.
Kiitokset
Tätä työtä ovat tukeneet Kiinan kansalliset luonnontieteelliset rahastot, n:o 61703088, Liaoningin maakunnan tieteellisen tutkimuksen tohtorintutkintosäätiö, n:o 20170520326, ja ”keskusyliopistojen perustutkimusrahastot”, N160503003.